Bounding Boxes as Goals: Language-Conditioned Grasping via Neuro-Symbolic Planning
यह शोध पत्र GRASP को प्रस्तुत करता है, जो एक न्यूरो-सिम्बोलिक प्लानिंग फ्रेमवर्क है जो नेचुरल लैंग्वेज को ग्राउंडेड बाउंडिंग-बॉक्स लक्ष्यों में अनुवादित करने के लिए प्रीट्रेन विजन-लैंग्वेज मॉडल्स का लाभ उठाता है, जिससे बिना किसी टास्क-विशिष्ट प्रशिक्षण के वास्तविक रोबोट्स पर ज़ीरो-शॉट ओपन-वोकेबुलरी टेबलटॉप मैनिपुलेशन के साथ 73.3% सफलता दर प्राप्त होती है।
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 आपके पास एक मेज पर बैठा एक रोबोटिक हाथ है, और आप चाहते हैं कि वह विशिष्ट वस्तुओं को उठाकर उन्हें विशिष्ट स्थानों पर रखे। आमतौर पर, एक रोबोट को प्रोग्राम करना एक कुत्ते को जटिल करतब सिखाने जैसा होता है: आपको उसे हजारों बार ठीक वही करना सिखाना पड़ता है, या आपको उसे बहुत ही कठोर, उबाऊ निर्देश देने होते जैसे कि "5 इंच बाएं चलें, फिर 2 इंच ऊपर।" यदि आप कुछ नया कहते हैं, जैसे "लाल चीजों को ऊपरी शेल्फ पर रखें," तो रोबोट अक्सर भ्रमित हो जाता है क्योंकि उसने वह सटीक कमांड पहले नहीं देखा है।
यह पेपर GRASP (ग्राउंडेड रीजनिंग एंड सिम्बोलिक प्लानिंग) नामक एक नई प्रणाली पेश करता है जो रोबोट के लिए एक स्मार्ट अनुवादक (translator) और जीपीएस (GPS) की तरह काम करती है। यह रोबोट को प्राकृतिक भाषा समझने और हर नए कार्य के लिए पुन: प्रशिक्षित (retrain) हुए बिना कैसे हिलना-डुलना है, इसका पता लगाने की अनुमति देता है।
यह कैसे काम करता है, यहाँ सरल चरणों में दिया गया है:
1. "अनुवादक" (दिमाग)
जब आप रोबोट से बात करते हैं, जैसे, "सभी नीली वस्तुओं को ऊपरी शेल्फ पर रखें," तो सिस्टम केवल शब्दों को सुनता नहीं है; यह उन्हें एक मैप (नक्शे) में अनुवादित करता है।
- उपमा: एक इंसान द्वारा पर्यटक को निर्देश देने के बारे में सोचें। "X, Y कोऑर्डिनेट पर जाओ" कहने के बजाय, इंसान कहता है, "नीली इमारत को खोजें और ऊपरी मंजिल पर जाएं।"
- GRASP इसे कैसे करता है: यह एक शक्तिशाली AI (जिसे लार्ज लैंग्वेज मॉडल कहा जाता है) का उपयोग करके आपके वाक्य को "लक्ष्यों" की एक सूची में बदल देता है। यह पता लगाता है कि "नीली वस्तुएं" क्या हैं और "ऊपरी शेल्फ" को स्क्रीन पर एक विशिष्ट क्षेत्र के रूप में परिभाषित करता है। यह क्या किया जाना है, इसकी एक डिजिटल चेकलिस्ट बनाता है।
2. "आंखें" (दृष्टि)
एक बार जब रोबोट को लक्ष्य का पता चल जाता है, तो उसे वस्तुओं को खोजने की आवश्यकता होती है।
- उपमा: कल्पना करें कि आप एक अस्त-व्यस्त कमरे में अपनी चाबियाँ ढूंढ रहे हैं। आप हर वस्तु को बेतरतीब ढंग से स्कैन नहीं करते; आप अपनी चाबियों के आकार और रंग को देखते हैं।
- GRASP इसे कैसे करता है: यह एक विशेष "आंख" (कंप्यूटर विजन मॉडल जिसे GroundingDINO कहा जाता है) का उपयोग करता है जो पहले से ही हजारों चीजों को पहचानने के लिए प्रशिक्षित है। यह मेज को स्कैन करता है और आपके विवरण से मेल खाने वाली वस्तुओं के चारों ओर अदृश्य बॉक्स बना देता है (जैसे, यह नीली बोतल के चारों ओर एक बॉक्स बनाता है)।
3. "स्टीयरिंग व्हील" (नियंत्रण)
यह सबसे अनूठा हिस्सा है। वस्तु को पकड़ने के लिए एक जटिल रास्ता याद करने के बजाय, यह एक सरल, निरंतर फीडबैक लूप का उपयोग करता है।
- उपमा: "हॉट एंड कोल्ड" (पास या दूर) खेल खेलने या चलते हुए लक्ष्य पर कैमरा केंद्रित करने के बारे में सोचें। आप लक्ष्य को हिट करने के लिए एक शॉट में सटीक गणित नहीं लगाते। इसके बजाय, आप देखते हैं कि लक्ष्य कहाँ है, थोड़ा सा उसकी ओर बढ़ते हैं, फिर से देखते हैं, और थोड़ा और बढ़ते हैं। आप तब तक सुधार करते रहते हैं जब तक कि आप बिल्कुल उसके ऊपर न पहुँच जाएँ।
- GRASP इसे कैसे करता है: रोबोट अपनी स्क्रीन पर वस्तु के चारों ओर के "बॉक्स" को देखता है। यदि बॉक्स उसकी दृष्टि के केंद्र से बाईं ओर है, तो रोबोट अपना हाथ थोड़ा बाईं ओर ले जाता है। यदि बॉक्स बहुत छोटा है (मतलब वस्तु दूर है), तो वह करीब आता है। वह इसे बार-बार करता है, लगातार अपने पथ को ठीक करता रहता है, जब तक कि वस्तु उसके "ग्रिपर" के बिल्कुल बीच में न आ जाए।
यह विशेष क्यों है?
अधिकांश उन्नत रोबोट सिस्टम हेवीवेट एथलीटों की तरह होते जिन्हें नए कार्य सीखने के लिए वर्षों के प्रशिक्षण (हजारों अभ्यास प्रयासों) की आवश्यकता होती है। वे बहुत धीमे और चलाने में महंगे भी होते हैं।
GRASP एक हल्के, अनुकूलन योग्य हाइकर (हाइकर) की तरह है।
- प्रशिक्षण की आवश्यकता नहीं: इसे विशिष्ट कार्य का अभ्यास करने की आवश्यकता नहीं है। यदि आप इसे "मैजेंटा मार्कर" या "लाइम ग्रीन कैंची" उठाने के लिए कहते हैं, तो यह अपनी पूर्व-प्रशिक्षित "आंखों" और "अनुवादक" का उपयोग करके मौके पर ही इसे समझ लेता है।
- यह मजबूत (Robust) है: क्योंकि यह अपनी स्थिति की लगातार जांच करता रहता है ("हॉट एंड कोल्ड" लूप), यह संभाल सकता है यदि वस्तु थोड़ी हिल जाए या कैमरा एंगल एकदम सही न हो। यह केवल अनुमान नहीं लगाता और उम्मीद नहीं करता; यह वास्तविक समय में खुद को ठीक करता है।
परिणाम
शोधकर्ताओं ने इस प्रणाली का परीक्षण विभिन्न कठिनाई स्तरों के साथ किया, आसान कार्यों (एक बड़े ब्लॉक को उठाना) से लेकर कठिन कार्यों (पेचकस जैसी छोटी, ट्रिकी वस्तुओं को उठाना) तक।
- सफलता दर: रोबोट ने कुल मिलाकर लगभग 73% बार सही वस्तुओं को सफलतापूर्वक पकड़ा।
- जहाँ यह विफल हुआ: यह ज्यादातर तब संघर्ष करता था जब "आंखें" वस्तु को स्पष्ट रूप से नहीं देख पाती थीं (जैसे कि यदि वह बहुत दूर थी या रोशनी खराब थी), न कि इसलिए कि रोबोट के "दिमाग" ने उसे गलत निर्देश दिए थे।
सारांश में
GRASP एक ऐसी प्रणाली है जो आपको एक रोबोट से इंसान की तरह बात करने देती है, और रोबोट AI अनुवाद और निरंतर दृश्य सुधार (continuous visual correction) के संयोजन का उपयोग करके यह पता लगाता है कि चीजों को कैसे पकड़ना है। यह भारी प्रशिक्षण और कठोर प्रोग्रामिंग की आवश्यकता को छोड़ देता है, जिससे यह मेज पर वस्तुओं को छांटने जैसे रोजमर्रा के कार्यों के लिए एक बहुत अधिक लचीला उपकरण बन जाता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।