Kine2Go: Kinematic dataset for the Unitree Go2 robot with diverse gaits and motions
यह शोध पत्र Kine2Go प्रस्तुत करता है, जो एक व्यापक काइनेमैटिक डेटासेट है जिसमें Unitree Go2 रोबोट के लिए 800 विविध गेट ट्रैजेक्टरीज (gait trajectories) और संबंधित मोटर क्रियाएं शामिल हैं, जिन्हें एक ऐसे पाइपलाइन के माध्यम से उत्पन्न किया गया है जो विभिन्न क्वाड्रुपेड मॉर्फोलॉजी को अनुकूलित करता है और मशीन लर्निंग अनुप्रयोगों के लिए मजबूत, विचलित प्रदर्शन डेटा (perturbed demonstration data) उत्पन्न करने के लिए सुदृढीकरण शिक्षण (reinforcement learning) का उपयोग करता 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
यहाँ Kine2Go पेपर का सरल भाषा और रचनात्मक उपमाओं (analogies) के साथ अनुवाद दिया गया है।
बड़ी तस्वीर: एक रोबोट कुत्ते को नाचना सिखाना
कल्पना कीजिए कि आपके पास एक बिल्कुल नया, हाई-टेक रोबोट कुत्ता (Unitree Go2) है। आप चाहते हैं कि यह असली जानवर की तरह दौड़े, टस से मस न हो, और चले। लेकिन रोबोट को नहीं पता कि ये चीजें स्वाभाविक रूप से कैसे की जाती हैं। यदि आप इसे बस "चलने" के लिए कहेंगे, तो यह अपने पैरों को इधर-उधर पटक सकता है, खुद से टकराकर गिर सकता है, या बहुत ही झटकेदार और अप्राकृतिक तरीके से चल सकता है।
इसे सिखाने के लिए, आपको एक शिक्षक (teacher) की आवश्यकता होगी। रोबोटिक्स की दुनिया में, यह शिक्षक आमतौर पर एक 'डेटासेट' होता है—सही गतिविधियों की एक विशाल लाइब्रेरी जिसे रोबोट कॉपी कर सके।
समस्या क्या है? जबकि हमारे पास इंसानों के नाचने और चलने के डेटा की विशाल लाइब्रेरी है, हमारे पास रोबोट कुत्तों के लिए कोई अच्छी लाइब्रेरी नहीं थी। मौजूदा डेटा या तो असली जानवरों का था (जिनकी शारीरिक संरचना रोबोट से अलग होती है) या अन्य रोबोटों का था जो अलग तरह से चलते हैं।
Kine2Go इसका समाधान है। यह 800 अलग-अलग मूवमेंट पैटर्न की एक नई, विशाल लाइब्रेरी है जिसे विशेष रूप से Unitree Go2 रोबोट के लिए डिज़ाइन किया गया है। यह रोबोट डॉग के चाल (gaits) के "ग्रेटेस्ट हिट्स" एल्बम की तरह है, जो शोधकर्ताओं के डाउनलोड करने और उपयोग करने के लिए तैयार है।
उन्होंने इसे कैसे बनाया: "अनुवाद और अभ्यास" पाइपलाइन
लेखकों ने केवल एक रोबोट कुत्ते को दौड़ते हुए फिल्माया नहीं। उन्होंने इस डेटा को बनाने के लिए तीन चरणों वाली एक असेंबली लाइन बनाई:
1. अनुवादक (Kinematic Retargeting)
कल्पना कीजिए कि आपके पास एक असली घोड़े के दौड़ने या एक असली कुत्ते के चलने का वीडियो है। आप उस वीडियो को सीधे रोबट कुत्ते पर नहीं चला सकते क्योंकि एक घोड़े के 4 पैर होते हैं लेकिन उसकी हड्डियों की बनावट एक रोबोट से अलग होती है।
- उपमा (Analogy): इसे फिल्म में सबटाइटल जोड़ने की तरह समझें। मूल फिल्म (जानवर की गति) एक विदेशी भाषा (घोड़े की शारीरिक रचना) में है। टीम ने एक ऐसा अनुवादक बनाया जो उन गतिविधियों को रोबोट की अपनी भाषा (Go2 की शारीरिक रचना) में बदल देता है।
- परिणाम: उन्होंने असली कुत्तों, घोड़ों और यहाँ तक कि एक अन्य रोबोट (Solo8) के मोशन डेटा को लिया और गणितीय रूप से उसे "रीमैप" किया ताकि वह Unitree Go2 के विशिष्ट जोड़ों और पैरों की लंबाई के अनुकूल फिट हो सके।
2. कोच (Reinforcement Learning)
एक बार जब उनके पास "रीमैप्ड" गतिविधियाँ आ गईं, तब भी वे पूरी तरह से सही नहीं थीं। रोबोट को शायद यह पता हो कि अपना पैर कहाँ रखना है, लेकिन यह नहीं कि वहाँ तक कैसे पहुँचना है।
- उपमा: एक डांस स्टूडेंट की कल्पना करें जिसके पास कोरियोग्राफी तो लिखी हुई है लेकिन उसने कभी अभ्यास नहीं किया है। यदि वह नाचने की कोशिश करता है, तो वह लड़खड़ा सकता है। लेखकों ने रिनफोर्समेंट लर्निंग (RL) का उपयोग एक सुपर-फास्ट कोच के रूप में किया।
- यह कैसे काम करता है: उन्होंने एक वर्चुअल जिम बनाया (एक भौतिक इंजन का उपयोग करके जिसे Genesis कहा जाता है) जहाँ उन्होंने एक साथ 8,192 सिमुलेशन चलाए। रोबोट ने उन "अनुवादित" डांस मूव्स की लाखों बार नकल की। हर बार जब वह लड़खड़ाया, तो कोच ने उसे "खराब ग्रेड" दिया। हर बार जब वह सुचारू रूप से चला, तो उसे "अच्छा ग्रेड" मिला।
- परिणाम: रोबोट ने उन मूव्स को स्वाभाविक रूप से करने के लिए आवश्यक 'मसल मेमोरी' सीख ली, जिसमें संतुलन बनाए रखने के लिए विशिष्ट मोटर कमांड (प्रत्येक जोड़ को कितना घुमाना है) भी शामिल थे।
3. रिकॉर्डिंग स्टूडियो (Data Gathering)
एक बार जब रोबोट ने मूव्स सीख लिए, तो टीम ने अंतिम प्रदर्शन को रिकॉर्ड किया।
- उपमा: यह अंतिम कॉन्सर्ट रिकॉर्ड करने जैसा है। उन्होंने केवल डांस मूव्स को रिकॉर्ड नहीं किया; उन्होंने सब कुछ रिकॉर्ड किया: रोबोट का शरीर कहाँ था, वह कितनी तेजी से घूम रहा था, उसका हर जोड़ कहाँ था, और उसने अपने पैरों को चलाने के लिए ठीक से कौन से विद्युत संकेत (मोटर कमांड) भेजे थे।
- क्वालिटी कंट्रोल: उन्होंने वीडियो देखे और उन रिकॉर्डिंग्स को हटा दिया जहाँ रोबोट गिर गया या क्रैश हो गया। उन्होंने केवल सुचारू, स्थिर, "गोल्ड-स्टैंडर्ड" प्रदर्शनों को ही रखा।
इस डेटासेट के अंदर क्या है?
अंतिम उत्पाद, Kine2Go, में 40 अलग-अलग "गानों" या मोशन स्टाइल से प्राप्त 800 अद्वितीय प्रक्षेप पथ (trajectories) शामिल हैं।
- विविधता: इसमें चलना, दौड़ना, ट्रॉट करना, घेरे में घूमना, आठ (figure-eight) के आकार में चलना और यहाँ तक कि "स्ट्रेफिंग" (बगल की ओर चलना) जैसे जटिल पैंतरे भी शामिल हैं।
- स्रोत: उन्होंने चार अलग-अलग जगहों से प्रेरणा ली:
- असली कुत्ते: वास्तविक कुत्तों के मोशन कैप्चर डेटा।
- असली घोड़े: घोड़ों के चलने और दौड़ने का डेटा।
- एक अन्य रोबोट: Solo8 नामक एक अन्य रोबोट का डेटा (जिसकी शारीरिक रचना थोड़ी अलग है, जो उनके अनुवादक के लिए एक कठिन परीक्षण है)।
- एक वीडियो गेम: उन्होंने एक सिमुलेशन का उपयोग किया जहाँ एक उपयोगकर्ता डिजिटल भेड़िये को नियंत्रित कर सकता था ताकि वर्ग (squares) और दीर्घवृत्त (ellipses) जैसे जटिल पथ बनाए जा सकें।
यह क्यों महत्वपूर्ण है?
पेपर का तर्क है कि रोबोटों को स्वाभाविक रूप से चलने के लिए विविध उदाहरणों से सीखने की आवश्यकता है, न कि केवल एक विशिष्ट ट्रिक से।
- "फाउंडेशन मॉडल" का विचार: अतीत में, शोधकर्ता एक रोबोट को एक चीज़ (जैसे आगे बढ़ना) करने के लिए प्रशिक्षित करते थे। अब, लक्ष्य एक "फाउंडेशन मॉडल" को प्रशिक्षित करना है—एक रोबोट मस्तिष्क जो गतिविधियों की एक विस्तृत श्रृंखला को समझ सके और जो आप उससे कहें उसके आधार पर उनके बीच स्विच कर सके।
- लुप्त कड़ी: आप एक स्मार्ट रोबोट मस्तिष्क नहीं बना सकते बिना उदाहरणों की एक बड़ी लाइब्रेरी के जिससे वह सीख सके। Kine2Go क्वाड्रुपेड (चार पैरों वाले) रोबोटों के लिए वह लाइब्रेरी प्रदान करता है, जो उस अंतर को भरता है जो पहले मौजूद था क्योंकि अधिकांश बड़े डेटासेट इंसानों के लिए थे।
उन्होंने क्या नहीं किया (सीमाएँ)
लेखक इस बारे में ईमानदार हैं कि उनकी लाइब्रेरी में क्या गायब है:
- कूदना (Jumping) नहीं: उन्होंने रोबोट को कूदना सिखाने की कोशिश की, लेकिन रोबोट गिरता रहा। इसलिए, उन्होंने जंप को डेटासेट से बाहर रखा।
- बैठना (Sitting) नहीं: असली कुत्ते बैठ सकते हैं, लेकिन रोबोट के पैर अलग आकार के हैं। यदि वे कुत्ते की गति के आधार पर रोबोट को "बैठाने" की कोशिश करते, तो उसके घुटने जमीन के नीचे चले जाते। उन्होंने खराब सिमुलेशन से बचने के लिए इसे छोड़ दिया।
- केवल समतल जमीन: सारा डेटा समतल फर्श के लिए है। उन्होंने अभी तक रोबोट का सीढ़ियों या पथरीले इलाकों पर परीक्षण नहीं किया है।
सारांश
Kine2Go रोबोट शोधकर्ताओं के लिए एक टूलकिट है। यह जानवरों की अव्यवस्थित, वास्तविक दुनिया की गतिविधियों को लेता है, उन्हें रोबोट की भाषा में अनुवाद करता है, एक सुपर-फास्ट वर्चुअल कोच का उपयोग करके रोबोट को उन्हें पूरी तरह से करने के लिए सिखाता है, और फिर परिणामों को सहेज लेता है। यह अन्य वैज्ञानिकों को डेटा एकत्र करने के कठिन काम को छोड़कर सीधे स्मार्ट और अधिक फुर्तीले रोबोट कुत्ते बनाने की ओर बढ़ने की अनुमति देता 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।