💻 computer science

ROG-Grasp: Root-Oriented Geometry for Robotic Grasping and Placement

यह शोध पत्र ROG-Grasp को प्रस्तुत करता है, जो एक ज्यामिति-आधारित रोबोटिक फ्रेमवर्क है जो कृषि उत्पादों की विश्वसनीय, ओरिएंटेशन-जागरूक पकड़ और प्लेसमेंट प्राप्त करने के लिए RGB-D धारणा और रूट सतह विश्लेषण का लाभ उठाता है, जो विजन-लैंग्वेज-एक्शन नीतियों की तुलना में बेहतर सटीकता और गति प्रदर्शित करता है।

मूल लेखक: Zijian An, Augustus Sroka, Ran Yang, Bill Cai, Satoru Eto, Brian Poon, Kelvin Cai, Shijie Geng, Feng Liu, Yiming Feng, Lifeng Zhou

प्रकाशित 2026-06-02

📖 4 मिनट में पढ़ें☕ कॉफ़ी ब्रेक में पढ़ें

CC BY 4.0

मूल लेखक: Zijian An, Augustus Sroka, Ran Yang, Bill Cai, Satoru Eto, Brian Poon, Kelvin Cai, Shijie Geng, Feng Liu, Yiming Feng, Lifeng Zhou

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक रोबोट शेफ हैं जो ताजी सब्जियों का एक डिब्बा पैक करने की कोशिश कर रहे हैं। आप आसानी से एक टमाटर या एक प्याज उठा सकते हैं, लेकिन यहाँ एक पेचीदा बात है: आपको उन्हें डिब्बे में सीधा खड़ा करके रखना है, जैसे कि उनकी जड़ें नीचे की ओर हों, ठीक वैसे ही जैसे वे बगीचे में बैठती हैं। यदि आप उन्हें बेतरतीब ढंग से गिरा देते हैं, तो वे लुढ़क सकते हैं, दब सकते हैं, या स्टोर डिस्प्ले में बिखरे हुए और खराब दिख सकते हैं।

यह शोध पत्र रोबोट के लिए एक नया "दिमाग" पेश करता है जिसे ROG-Grasp कहा जाता है जो इस विशिष्ट समस्या को हल करता है। अनुमान लगाने या परीक्षण और त्रुटि (trial and error) के माध्यम से सीखने के बजाय, यह सिस्टम यह पता लगाने के लिए सरल ज्यामिति (geometry) का उपयोग करता है कि उपज को ठीक से कैसे पकड़ा जाए और रखा जाए।

यह कैसे काम करता है, इसे रोजमर्रा की अवधारणाओं में तोड़कर यहाँ समझाया गया है:

1. "रूट डिटेक्टिव" (सब्जी को देखना)

अधिकांश रोबोट केवल पूरी सब्जी को देखते हैं। लेकिन ROG-Grasp के पास एक विशेष ट्रिक है: यह विशेष रूप से जड़ या डंठल वाले क्षेत्र को देखता है।

उपमा: इसे एक जासूस की तरह समझें जो किसी विशिष्ट सुराग की तलाश कर रहा है। रोबोट एक कैमरे (इंसानी आँख की तरह) और एक विशेष डेप्थ सेंसर (3D स्कैनर की तरह) का उपयोग करके जड़ को ढूंढता है।
टूल: यह जड़ वाले क्षेत्र को पहचानने के लिए YOLO नामक एक स्मार्ट सॉफ्टवेयर टूल (जो एक सुपर-फास्ट फोटो सॉर्टर की तरह है) का उपयोग करता है।

2. "फ्लैट सरफेस" ट्रिक (कोण का पता लगाना)

एक बार जब रोबोट को जड़ मिल जाती है, तो उसे यह जानना होता है कि "ऊपर" कौन सी दिशा है।

उपमा: कल्पना करें कि प्याज या टमाटर की जड़ एक छोटी, सपाट मेज की तरह है। भले ही सब्जी गोल हो, वह छोटा सा जड़ वाला हिस्सा अपेक्षाकृत सपाट होता है।
गणित: रोबलेट उस जड़ वाले क्षेत्र से कई 3D पॉइंट्स लेता है और उनके माध्यम से एक अदृश्य सपाट शीट (एक प्लेन) बनाता है। यह शीट किस दिशा में है, इससे रोबोट को पता चल जाता है कि सब्जी किस तरफ झुकी हुई है। यह एक लेवल टूल (level tool) का उपयोग करने जैसा है जिससे यह देखा जाता है कि फोटो फ्रेम टेढ़ा है या नहीं।

3. "हैंडशेक" (पकड़ना और रखना)

अब जब रोबोट को कोण का पता चल गया है, तो वह सब्जी को पकड़ने का सही तरीका निकालता है।

दृष्टिकोण: यह सीधे नीचे की ओर नहीं झपटता है। यह छह चरणों (वेपॉइंट्स) के एक पूर्व-नियोजित नृत्य का पालन करता है। यह ऊपर से आता है, सब्जी को पकड़ता है, उसे ऊपर उठाता है, और फिर उसे सावधानी से घुमाता है ताकि जड़ नीचे की ओर रहे।
प्लेसमेंट: इसके पास एक "टारगेट बॉक्स" (होल्डर) है जहाँ इसे सब्जी रखनी है। रोबोट अपना हाथ बॉक्स के कोण से पूरी तरह मेल खाने के लिए घुमाता है, यह सुनिश्चित करता है कि सब्जी सीधी खड़ी रहे, न कि एक तरफ गिरी हुई।

4. दौड़: ज्यामिति बनाम "सीखना"

लेखकों ने अपने नए तरीके (ROG-Grasp) की तुलना एक लोकप्रिय प्रकार की AI से की जिसे VLA (विज़न-लैंग्वेज-एक्शन) कहा जाता है।

VLA रोबोट: यह रोबोट वीडियो देखकर और अनुमान लगाकर कार्य को "सीखने" की कोशिश करता है, ठीक वैसे ही जैसे एक छात्र गणित के सवाल का जवाब देने के लिए नंबरों का अनुमान लगाता है जब तक कि वह सही न पहुँच जाए।
ROG-Grasp रोबोट: यह रोबोट "फ्लैट रूट" गणित के ट्रिक का उपयोग करता है। यह तुरंत उत्तर जानता है क्योंकि यह ज्यामिति को मापता है।

परिणाम:

गति: ROG-Grasp रोबोट बहुत तेज़ था (लग लगभग 8 सेकंड बनाम 20+ सेकंड सीखने वाले रोबोट के लिए)।
सफलता: ROG-Grasp रोबोट 80-90% बार सफल रहा, भले ही रास्ते में अन्य सब्जियां मौजूद थीं। लर्निंग रोबोट केवल 10-40% बार सफल हुआ, अक्सर भ्रमित हो जाता या सब्जियां गिरा देता।
क्यों? लर्निंग रोबोट जड़ खोजने और कोण को सही करने में संघर्ष करता रहा, जबकि ज्यामिति-आधारित विधि सटीक और विश्वसनीय थी।

निष्कर्ष

यह शोध पत्र दिखाता है कि सब्जियों को करीने से पैक करने जैसे विशिष्ट कार्यों के लिए, आपको हमेशा ऐसे रोबोट की आवश्यकता नहीं होती जो इंसान की तरह "सोचने" की कोशिश करे। कभी-कभी, एक ऐसा रोबोट जो जड़ के आकार को मापने के लिए सरल, विश्वसनीय गणित का उपयोग करता है, वह बहुत तेज़, अधिक सटीक और बिना किसी गड़बड़ी के काम पूरा करने में बेहतर होता है।

तकनीकी सारांश: ROG-Grasp

समस्या विवरण

यद्यपि कृषि कटाई और पहचान में रोबोटिक प्रणालियों ने महत्वपूर्ण प्रगति की है, लेकिन कटाई के बाद के प्रसंस्करण और पैकेजिंग (post-harvest processing and packaging) में एक गंभीर अंतराल बना हुआ है। आधुनिक पैकहाउसों में, कृषि उत्पादों को अक्सर विशिष्ट ओरिएंटेशन (orientations) के साथ कंटेनरों में छाँटना और रखना आवश्यक होता है ताकि डाउनस्ट्रीम प्रसंस्करण, निरीक्षण और व्यावसायिक प्रस्तुति को सुगम बनाया जा सके। मौजूदा रोबोटिक समाधान आमतौर पर वस्तुओं को पकड़ने और रखने पर ध्यान केंद्रित करते हैं, लेकिन उनके अंतिम पोज़ (pose) को स्पष्ट रूप से नियंत्रित नहीं करते हैं। इसके अलावा, जबकि विजन-लैंग्वेज-एक्शन (VLA) मॉडल ने सामान्य हेरफेर (manipulation) में आशाजनक परिणाम दिखाए हैं, प्रारंभिक जांच से संकेत मिलता है कि वे कृषि उत्पादों के विशिष्ट 'रूट' (root) क्षेत्रों को विश्वसनीय रूप से पहचानने में संघर्ष करते हैं, जिससे गलत ओरिएंटेशन अनुमान और अव्यवस्थित (cluttered) वातावरण में अस्थिर ग्रैस्पिंग होती है।

कार्यप्रणाली (Methodology)

यह शोध पत्र ROG-Grasp का प्रस्ताव करता है, जो एक ज्योमेट्री-आधारित फ्रेमवर्क है जिसे RGB-D धारणा (perception) का उपयोग करके उत्पाद के ओरिएंटेशन का अनुमान लगाने के लिए डिज़ाइन किया गया है। यह प्रणाली दो प्राथमिक मॉड्यूल के माध्यम से कार्य करती है: विजुअल परसेप्शन (Visual Perception) और मोशन एक्जीक्यूशन (Motion Execution)।

1. विजुअल परसेप्शन (Visual Perception)

रूट डिटेक्शन (Root Detection): एक YOLO-आधारित सेगमेंटेशन मॉडल को उत्पाद के मुख्य भाग (body) और विशिष्ट रूट क्षेत्र दोनों का पता लगाने के लिए फाइन-ट्यून किया गया है। प्रशिक्षण डेटासेट को एक अर्ध-स्वचालित पाइपलाइन का उपयोग करके बनाया गया है जहाँ बॉडी मास्क को फोरग्राउंड-बैकग्राउंड कंट्रास्ट के माध्यम से जनरेट किया जाता है, जबकि रूट एनोटेशन मैन्युअल रूप से बनाए जाते हैं।
3D पॉइंट क्लाउड एक्सट्रैक्शन (3D Point Cloud Extraction): डिटेक्ट किए गए रूट क्षेत्रों को डेप्थ डेटा और कैमरा इंट्रिंसिक्स का उपयोग करके 3D स्पेस में प्रोजेक्ट किया जाता है ताकि रोबोट के बेस फ्रेम में एक पॉइंट क्लाउड जनरेट किया जा सके।
ओरिएंटेशन एस्टीमेशन (Orientation Estimation): इस अवलोकन का लाभ उठाते हुए कि रूट सतहें (जैसे टमाटर, प्याज, लहसुन पर) कम वक्रता (curvature) के साथ लगभग समतलीय ज्यामिति (planar geometry) प्रदर्शित करती हैं, सिस्टम रूट पॉइंट क्लाउड पर लीस्ट-स्क्वेयर्स प्लेन फिटिंग (Least-Squares Plane Fitting) लागू करता है।
- सेंटर्ड पॉइंट क्लाउड पर सिंगुलर वैल्यू डिकम्पोजिशन (SVD) किया जाता है।
- सबसे छोटे सिंगुलर मान (smallest singular value) के अनुरूप आइजनवेक्टर (eigenvector) रूट नॉर्मल वेक्टर ( $\mathbf{n}$ ) को परिभाषित करता है।
- यह नॉर्मल वेक्टर वस्तु के ओरिएंटेशन के लिए प्राथमिक संकेत (cue) के रूप में कार्य करता है।

2. मोशन प्लानिंग और कंट्रोल (Motion Planning and Control)

ग्रैस्प पोज़ जनरेशन (Grasp Pose Generation): ग्रैस्प पोजीशन को रूट पॉइंट क्लाउड के सेंट्रॉइड ( $\mathbf{c}$ ) और नॉर्मल वेक्टर ( $\mathbf{n}$ ) के अनुदिश एक पूर्व-निर्धारित ऑफसेट ( $\delta$ ) के योग के रूप में परिभाषित किया गया है। ग्रिपर का Z-एक्सिस $\mathbf{n}$ के साथ संरेखित होता है।
प्लेसमेंट पोज़ (Placement Pose): एक निश्चित "होल्डर फ्रेम" वांछित अपराइट प्लेसमेंट कॉन्फ़िगरेशन को परिभाषित करता है। रोबोट वस्तु को छोड़ने के लिए ग्रिपर फ्रेम को इस होल्डर फ्रेम के साथ संरेखित करता है।
एक्जीक्यूशन पाइपलाइन (Execution Pipeline): सुरक्षा सुनिश्चित करने और टकराव से बचने के लिए, रोबोट छह मध्यवर्ती वेपॉइंट्स ( $wp_0$ $w p_{0}$ से $wp_5$ $w p_{5}$ ) का एक क्रम निष्पादित करता है:
1. ऑब्जर्वेशन (Observation): दृश्य कैप्चर करना और रूट का पता लगाना।
2. अप्रोच (Approach): लक्ष्य के ऊपर एक वेपॉइंट तक जाना, फिर लंबवत नीचे उतरना।
3. रिट्रीट (Retreat): ग्रैस्पिंग के बाद आसपास की वस्तुओं से बचने के लिए ऊपर की ओर बढ़ना।
4. री-ओरिएंटेशन (Reorientation): यह सुनिश्चित करने के लिए ओरिएंटेशन को समायोजित करना कि रूट प्लेसमेंट के लिए नीचे की ओर रहे।
5. प्लेसमेंट (Placement): होल्डर की ओर जाना और वस्तु को छोड़ना।
6. रिटर्न (Return): प्रारंभिक पोज़ में वापस आना।
कोऑर्डिनेट ट्रांसफॉर्मेशन (Coordinate Transformations): सिस्टम कैमरा, ग्रिपर, कनेक्टर और बेस फ्रेम के बीच रूपांतरणों को प्रबंधित करने के लिए $SE(3)$ में होमोजेनियस ट्रांसफॉर्मेशन मैट्रिसेस का उपयोग करता है, जिससे यह सुनिश्चित होता है कि इनवर्स किनेमैटिक्स (IK) के माध्यम से सटीक कार्टेशियन मोशन कमांड जेनरेट किए जा सकें।

प्रमुख योगदान (Key Contributions)

ज्यामिति-संचालित ओरिएंटेशन अनुमान (Geometry-Driven Orientation Estimation): एक नवीन विधि जो जटिल लर्निंग-आधारित पोज़ एस्टिमेटर्स पर निर्भर रहने के बजाय, उत्पाद के ओरिएंटेशन का अनुमान लगाने के लिए रूट सतह की ज्यामिति (पॉइंट क्लाउड्स पर प्लेन फिटिंग के माध्यम से) का उपयोग करती है।
एकीकृत परसेप्शन-एक्शन पाइपलाइन (Integrated Perception-Action Pipeline): एक विजन-गाइडेड रणनीति जो स्थिर ग्रैस्प पोज़ और ओरिएंटेशन-कन्स्ट्रेंड कार्टेशियन मोशन प्लान कंप्यूट करने के लिए YOLO-आधारित रूट सेगमेंटेशन को 3D ज्योमेट्रिक फिटिंग के साथ जोड़ती है।
अनुभवजन्य सत्यापन (Empirical Validation): टमाटर और प्याज पर आइसोलेटेड और क्लटर्ड (cluttered) दोनों परिदृश्यों में व्यापक प्रयोग, जो अत्याधुनिक VLA नीतियों की तुलना में इस पद्धति की मजबूती को प्रदर्शित करते हैं।

प्रयोगात्मक परिणाम (Experimental Results)

सिस्टम का मूल्यांकन टमाटर और प्याज के लिए एक Fairino FR5 मैनिपुलेटर और एक RGB-D कैमरा का उपयोग करके किया गया।

सफलता दर (Success Rates): ROG-Grasp ने उच्च सफलता दर प्राप्त की: टमाटर के लिए 85% (सिंगल) और 80% (मल्टी), और प्याज के लिए 90% (सिंगल) और 80% (मल्टी)।
VLA के साथ तुलना: इसके विपरीत, एक VLA पॉलिसी ( $\pi_0$ मॉडल पर आधारित) ने काफी कम सफलता दर (सिंगल टमाटर के लिए 40%, मल्टी-टमाटर के लिए 10%) प्राप्त की और क्लटर्ड दृश्यों में संघर्ष किया, अक्सर सही प्लेसमेंट ओरिएंटेशन का अनुमान लगाने में विफल रही।
एक्जीक्यूशन टाइम (Execution Time): ROG-Grasp ने VLA पॉलिसी (~20–26 सेकंड) की तुलना में काफी तेज़ निष्पादन समय (~7–8 सेकंड) प्रदर्शित किया, जिसका श्रेय VLA के क्लोज्ड-लूप एक्शन चंकिंग और ज्योमेट्री-आधारित विधि के कुशल ओपन-लूप ट्रैजेक्टरी प्लानिंग को दिया जाता है।
विफलता के मोड (Failure Modes): ROG-Grasp के लिए प्राथमिक विफलता मोड ओपन-लूप डिसेंट चरण के दौरान हुआ जहाँ अनपेक्षित संपर्क वस्तु को बाधित कर सकता था। VLA पॉलिसी, हालांकि क्लोज्ड-लूप थी, क्लटर में ऑसिलेशन और अस्थिरता से ग्रस्त थी।

महत्व और दावे (Significance and Claims)

शोध पत्र का दावा है कि ज्यामिति-संचालित धारणा (geometry-driven perception) VLA जैसे एंड-टू-एंड लर्निंग दृष्टिकोणों की तुलना में कृषि सेटिंग्स में ओरिएंटेशन-नियंत्रित हेरफेर के लिए अधिक विश्वसनीय और कुशल समाधान प्रदान करती है। रूट सतहों की प्लेनर प्रकृति को स्पष्ट रूप से मॉडल करके, ROG-Grasp डीप लर्निंग नीतियों से जुड़े ट्रेनिंग डेटा के बोझ और इन्फरेंस लेटेंसी के बिना स्थिर ग्रैस्पिंग और सटीक प्लेसमेंट प्राप्त करता है। लेखक इस बात पर जोर देते हैं कि यह दृष्टिकोण उन कार्यों के लिए एक व्यावहारिक, मजबूत समाधान प्रदान करता है जिनमें विशिष्ट ऑब्जेक्ट लेआउट की आवश्यकता होती है, जैसे कि उच्च-मूल्य वाले कृषि उत्पादों की पैकेजिंग, जहाँ दृश्य संगठन और सुसंगत ओरिएंटेशन व्यावसायिक प्रस्तुति और सुरक्षा के लिए महत्वपूर्ण हैं।

भविष्य के कार्य के रूप में ग्रैस्प चरण के दौरान क्लोज्ड-लूप विजुअल फीडबैक को शामिल करना और अत्यधिक अनस्ट्रक्चर्ड वातावरण के लिए ज्योमेट्री-आधारित अनुमान को लर्निंग-आधारित नीतियों के साथ एकीकृत करना पहचाना गया है।