💻 computer science

Pose-Agnostic Robotic Functional Grasping via Observation-Action Canonicalization

यह शोध पत्र AnyMug प्रस्तुत करता है, जो एक सिमुलेशन-प्रशिक्षित विज़ुओमोटर सुदृढीकरण लर्निंग (visuomotor reinforcement learning) ढांचा है, जो विविध मुद्राओं में मग की ज़ीरो-शॉट वास्तविक दुनिया की कार्यात्मक पकड़ (zero-shot real-world functional grasping) प्राप्त करने के लिए प्रेक्षणों (observations) और क्रियाओं (actions) दोनों को एक साझा ऑब्जेक्ट-सेंट्रिक फ्रेम में कैनोनिकल (canonicalize) करता है ताकि विभिन्न विन्यासों में सुसंगत नीति व्यवहार सुनिश्चित किया जा सके।

मूल लेखक: Le Qiu, Cole Harrison, Jiankai Sun, Yao Liu, Suning Huang, Qianzhong Chen, Yang You, Marco Pavone

प्रकाशित 2026-06-23

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Le Qiu, Cole Harrison, Jiankai Sun, Yao Liu, Suning Huang, Qianzhong Chen, Yang You, Marco Pavone

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 को उसके हैंडल से कॉफी मग उठाने के लिए सिखा रहे हैं। सुनने में यह सरल लगता है, है ना? लेकिन एक रोबोट के लिए, यह एक बुरा सपना है।

रोबोट के दिमाग को एक ऐसे छात्र की तरह समझें जो एक डांस (नृत्य) सीखने की कोशिश कर रहा है। यदि शिक्षक (रोबोट का विजन सिस्टम) छात्र को एक सीधा रखा हुआ मग दिखाता है जिसका हैंडल बाईं ओर है, तो छात्र एक तरह के मूव्स सीखता है। लेकिन अगर शिक्षक फिर से एक ऐसा मग दिखाता है जो उल्टा है और जिसका हैंडल दाईं ओर है, तो छात्र को बिल्कुल नए मूव्स सीखने पड़ते हैं। यदि मग मेज पर किसी अलग जगह पर है, तो छात्र को एक और नया वेरिएशन सीखना पड़ता है।

समस्या यह है कि वास्तविक लक्ष्य—हैंडल को पकड़ना—हर स्थिति में बिल्कुल एक जैसा ही है। रोबोट को बस हर अलग एंगल को एक बिल्कुल नई पहेली की तरह देखना बंद करना होगा।

समाधान: "AnyMug"

यह पेपर AnyMug नामक एक सिस्टम पेश करता है। AnyMug को एक जादुई "परिप्रेक्ष्य बदलने वाले" (perspective-shifting) ट्रिक की तरह समझें जो रोबोट की दुनिया को सरल बना देता है।

यह इस प्रकार काम करता है, एक सरल उपमा (analogy) का उपयोग करते हुए:

1. "जादुई कैमरा" (ऑब्जर्वेशन कैनोनिकलाइजेशन - Observation Canonicalization)
कल्पना कीजिए कि आप मेज पर एक मग देख रहे हैं। हैंडल एक अजीब कोण पर है, और मग दूर है।

AnyMug के बिना: रोबोट एक बिखरी हुई, झुकी हुई और दूर की छवि देखता है। उसे अनुमान लगाना पड़ता है, "ठीक है, हैंडल वहाँ है, इसलिए मुझे अपना हाथ उस दिशा में ले जाना चाहिए।"
AnyMंग के साथ: रोबोट के पास एक "जादुई कैमरा" है जो तुरंत ज़ूम इन करता है, मग को स्क्रीन के बीच में लाता है, और इमेज को इस तरह घुमा देता है कि हैंडल हमेशा बाईं ओर इशारा करे, चाहे वह मग वास्तव में किसी भी स्थिति में क्यों न रखा हो।
परिणाम: रोबोट के लिए, हर मग बिल्कुल एक जैसा दिखता है: बीच में स्थित, और हैंडल बाईं ओर इशारा करता हुआ। इससे कोई फर्क नहीं पड़ता कि असली मग उल्टा था या टेढ़ा; रोबोट का "दिमाग" एक मानक, आसानी से पकड़ा जाने वाला मग देखता है।

2. "मानकीकृत नृत्य" (एक्शन कैनोनिकलाइजेशन - Action Canonicalization)
अब, रोबोट को अपना हाथ हिलाना है।

AnyMug के बिना: यदि हैंडल दाईं ओर है, तो रोबोट को अपना हाथ दाईं ओर ले जाने के लिए सीखना होगा। यदि हैंडल बाईं ओर है, तो उसे बाईं ओर ले जाने के लिए सीखना होगा। यह एक ही गाने के लिए दो अलग-अलग डांस सीखने जैसा है।
AnyMug के साथ: क्योंकि रोबोट का "दिमाग" देखता है कि हैंडल हमेशा बाईं ओर है, उसे केवल एक ही मूव सीखना होगा: "आगे बढ़ो और बाईं ओर वाली चीज़ को पकड़ो।"
अनुवाद (Translation): एक बार जब रोबोट "बाएं हैंडल" को पकड़ने का निर्णय ले लेता है, तो एक ट्रांसलेटर तुरंत उस निर्णय को वास्तविक दुनिया में बदल देता है। यदि असली मग उल्टा था, तो ट्रांसलेटर रोबोट के हाथ को बताएगा, "ठीक है, चूंकि असली मग उल्टा है, इसलिए तुम्हें आगे के बजाय नीचे की ओर हाथ ले जाना चाहिए।"

3. "हैंडल-विशिष्ट कोच" (रिवॉर्ड सिस्टम - Reward System)
रोबोट को एक वर्चुअल सिमुलेशन (जैसे कि एक वीडियो गेम) में एक कोच का उपयोग करके प्रशिक्षित किया जाता है जो बहुत विशिष्ट फीडबैक देता है।

कोच केवल यह नहीं कहता कि "अच्छा काम किया" यदि रोबोट ने मग पकड़ लिया।
कोच कहता है, "तुमने मग तो पकड़ लिया, लेकिन तुमने हैंडल मिस कर दिया!" या "तुमने हैंडल तो पकड़ लिया, लेकिन तुम्हारी उंगलियां एक ही तरफ हैं, जिससे तुम इसे गिरा दोगे!"
रोबोट यह सीखता है कि अपनी पकड़ बनाने से पहले उसे हैंडल के विपरीत किनारों पर अपनी उंगलियों को कैसे रखना है, ठीक वैसे ही जैसे इंसान करता है।

परिणाम: वीडियो गेम से वास्तविक जीवन तक

शोधकर्ताओं ने इस रोबोट को पूरी तरह से कंप्यूटर सिमुलेशन के भीतर प्रशिक्षित किया। उन्होंने प्रशिक्षण के दौरान कभी भी वास्तविक मग नहीं दिखाया।

सिमुलेशन में: रोबोट 93% से अधिक बार सफल रहा, यहाँ तक कि उन मगों के साथ भी जिन्हें उसने पहले कभी नहीं देखा था और जो रैंडम जगहों पर रखे गए थे।
वास्तविक दुनिया में: वे रोबोट को कंप्यूटर से बाहर निकालकर एक वास्तविक फ्रैंका पांडा (Franka Panda) रोबोट आर्म पर ले गए। बिना किसी अतिरिक्त प्रशिक्षण या वास्तविक मगों पर "फाइन-ट्यूनिंग" के, रोबोट ने उनके सामने आने वाले भौतिक मगों को 80% सफलता के साथ पकड़ा।

यह क्यों महत्वपूर्ण है

पिछले तरीके एक शहर की हर एक गली का नक्शा याद करने की कोशिश करने जैसे थे। यदि एक नई गली दिखाई देती, तो आप खो जाते।
AnyMug एक रोबोट को एक दिशा-सूचक (compass) और एक नियम देने जैसा है: "हमेशा हैंडल को ढूंढो, उसे केंद्र में लाओ, और उसे पकड़ो।" दृश्य दुनिया को सरल बनाकर और निर्देशों को मानकीकृत करके, रोबोट भ्रमित हुए बिना मगों की एक विशाल विविधता, उनकी स्थितियों और ओरिएंटेशन को संभाल सकता है।

संक्षेप में: AnyMug रोबोट को मग कहाँ रखा है इसके "शोर" (noise) को अनदेखा करना और पूरी तरह से इस "सिग्नल" (signal) पर ध्यान केंद्रित करना सिखाता है कि हैंडल को कैसे पकड़ना है, जिससे वह एक बार सीखकर उस कौशल को हर जगह लागू कर सकता है।

तकनीकी सारांश: AnyMug – अवलोकन-क्रिया कैनोनिकलाइजेशन (Observation-Action Canonicalization) के माध्यम से पोज़-अज्ञेय (Pose-Agnostic) रोबोटिक कार्यात्मक ग्रैस्पिंग

1. समस्या का निरूपण (Problem Formulation)

यह शोध पत्र कार्यात्मक रोबोटिक ग्रैस्पिंग (functional robotic grasping) की चुनौती को संबोधित करता है, विशेष रूप से मग के हैंडल को पकड़ने के कार्य को लक्षित करता है। सामान्य ग्रैसिंग के विपरीत, कार्यात्मक ग्रैसिंग के लिए रोबोट को वस्तु के विशिष्ट भागों (हैंडल) के साथ इंटरैक्ट करने की आवश्यकता होती है ताकि बाद के कार्यों (जैसे कि डालना/pouring) को सक्षम किया जा सके। यह कार्य निम्नलिखित कारणों से जटिल है:

ज्यामितीय परिवर्तनशीलता (Geometric Variability): हैंडल पतले, घुमावदार होते हैं और विभिन्न मग के उदाहरणों में काफी भिन्न होते हैं।
पोज़ संवेदनशीलता (Pose Sensitivity): मग अलग-अलग स्थितियों, हैंडल ओरिएंटेशन और दो विशिष्ट पोज़ श्रेणियों में दिखाई दे सकते हैं: सीधे (upright) और उल्टे (inverted)।
मौजूदा विधियों की सीमाएँ:
- ग्रैस्प पोज़ डिटेक्शन (ओपन-लूप): जो विधियाँ 6-DoF या 7-DoF ग्रैस्प पोज़ का अनुमान लगाती हैं, वे अनुमान त्रुटियों के प्रति अत्यधिक संवेदनशील होती हैं, विशेष रूप से पतली हैंडल संरचनाओं पर।
- लर्नड विज़ुओमोटर पॉलिसीज़ (क्लोज्ड-लूप): मानक पॉलिसियों को हर संभावित प्लेसमेंट के लिए दृश्य उपस्थिति (visual appearance) और क्रिया की दिशा (action direction) के बीच जुड़े हुए बदलावों को स्पष्ट रूप से सीखना पड़ता है, जिससे सामान्यीकरण (generalization) सीमित हो जाता है और प्लेसमेंट-निर्भर रणनीतियों को सीखने की आवश्यकता होती है।

लक्ष्य एक एकल क्लोज्ड-लूप पॉलिसी सीखना है जो विविध मग की ज्यामिति और पोज़ श्रेणियों में सामान्यीकरण कर सके और हैंडल के साथ सटीक संपर्क बनाए रख सके।

2. कार्यप्रणाली: AnyMug फ्रेमवर्क

लेखक AnyMug का प्रस्ताव करते हैं, जो एक सुदृढीकरण लर्निंग (Reinforcement Learning - RL) फ्रेमवर्क है जिसे पूरी तरह से सिमुलेशन (Isaac Sim) में प्रशिक्षित किया गया है और शून्य-शॉट (zero-shot) आधार पर एक वास्तविक फ्रैंका पांडा (Franka Panda) रोबोट पर तैनात किया गया है। मुख्य नवाचार अवलोकन-क्रिया कैनोनिकलाइजेशन (Observation-Action Canonicalization) है।

2.1 अवलोकन-क्रिया कैनोनिकलाइजेशन (Observation-Action Canonicalization)

कैनोनिकल इनपुट और कंट्रोल आउटपुट को एक साझा, मग-केंद्रित कैनोनिकल फ्रेम में बदलने के लिए, कच्चे (raw) परिवर्तनीय इनपुट को संभालने के बजाय, AnyMug दोनों को रूपांतरित करता है।

अवलोकन कैनोनिकलाइजेशन (Observation Canonicalization):
- कच्चे टॉप-व्यू डेप्थ इमेज ( $D_t$ ) को मग के केंद्र और हैंडल के केंद्र की पहचान करने के लिए प्रोसेस किया जाता है।
- एक एफ़ाइन वार्प (affine warp) को इमेज पर लागू किया जाता है ताकि: (1) मग को इमेज में केंद्रित किया जा सके, और (2) हैंडल को एक निश्चित कैनोनिकल दिशा (जैसे, बाईं ओर इशारा करते हुए) में घुमाया जा सके।
- इसके परिणामस्वरूप एक कैनोनिकल डेप्थ इमेज ( $D^c_t$ ) प्राप्त होती है जहाँ मग हमेशा एक ही स्थान और ओरिएंटेशन में दिखाई देता है, चाहे उसकी भौतिक स्थिति कुछ भी हो।
क्रिया कैनोनिकलाइजेशन (Action Canonicalization):
- पॉलिसी एक 7D एंड-इफेक्टर एक्शन ( $a^c_t$ ) का अनुमान लगाती है जो कैनोनिकल फ्रेम में होता है, जिसमें ट्रांसलेशनल डिस्प्लेसमेंट ( $\Delta p^c$ ), रोटेशनल डिस्प्लेसमेंट ( $\Delta \omega^c$ ), और एक ग्रिपर कमांड ( $u_g$ ) शामिल है।
- निष्पादन (execution) से पहले, एक्शन के स्थानिक घटकों को हैंडल के रोटेशन एंगल ( $\theta_t$ ) के व्युत्क्रम (inverse) का उपयोग करके वर्ल्ड फ्रेम में वापस घुमाया जाता है। ग्रिपर कमांड अपरिवर्तित रहती है।
- यह पॉलिसी को एक एकल "ग्रैस्प रणनीति" सीखने की अनुमति देता है जिसे सभी मग प्लेसमेंट और हैंडल ओरिएंटेशन में पुन: उपयोग किया जा सकता है।

2.2 हैंडल-जागरूक रिवॉर्ड फंक्शन (Handle-Aware Reward Function)

यह सुनिश्चित करने के लिए कि पॉलिसी केवल जेनेरिक रीचिंग के बजाय सटीक कार्यात्मक ग्रैसिंग सीखे, एक सघन (dense), हैंडल-जागरूक रिवॉर्ड फंक्शन का उपयोग किया जाता है:

अप्रोच रिवॉर्ड ( $r_{pos}$ ): ग्रिपर को हैंडल सेंटर तक पहुँचने के लिए प्रोत्साहित करता है।
ओरिएंटेशन रिवॉर्ड ( $r_{rot}$ ): ग्रिपर को मग के सापेक्ष एक लक्षित ओरिएंटेशन के साथ संरेखित (align) होने के लिए प्रोत्साहित करता है।
फिंगर अपोजिशन रिवॉर्ड ( $r_{opp}$ ): एक महत्वपूर्ण कार्य-विशिष्ट शब्द जो क्लोजर से पहले दो फिंगरटिप्स के हैंडल के विपरीत पक्षों पर होने के लिए पुरस्कृत करता है। यह निकटता (proximity) द्वारा गेट किया गया है ताकि यह सुनिश्चित हो सके कि उंगलियां हैंडल के करीब हैं।
एक्शन पेनल्टी ( $r_{act}$ ): बड़े, झटकेदार आंदोलनों को दंडित करता है ताकि सुचारू प्रक्षेपवक्र (smooth trajectories) को प्रोत्साहित किया जा सके।

2.3 प्रशिक्षण रणनीति (Training Strategy)

एल्गोरिदम: प्रॉक्सिमल पॉलिसी ऑप्टिमाइजेशन (PPO)।
पोज़ करिकुलम (Pose Curriculum): प्रशिक्षण की शुरुआत सीधे मग (upright mugs) की ओर झुकाव (70%) के साथ होती है ताकि विश्वसनीय अप्रोच व्यवहार स्थापित किया जा सके, फिर यह सीधे और उल्टे मग के संतुलित वितरण (50/50) की ओर संक्रमण करता है।
डोमेन रैंडमाइजेशन (Domain Randomization): मग की स्थिति, हैंडल यॉ (yaws), और मग की ज्यामिति का रैंडमाइजेशन। महत्वपूर्ण रूप से, वास्तविक दुनिया की धारणा त्रुटियों (perception errors) को सिम्युलेट करने के लिए पोज़ अनुमानों में गॉसियन नॉइज़ जोड़ा गया है, जिसे एक अत्याधुनिक पोज़ एस्टीमेटर (CPPF++) से कैलिब्रेट किया गया है।

3. मुख्य योगदान

अवलोकन-क्रिया कैनोनिकलाइजेशन: पेपर मग ग्रैसिंग को एक कैनोनिकलाइज्ड समस्या के रूप में प्रस्तुत करता है जहाँ डेप्थ ऑब्जर्वेशन और एंड-इफेक्टर एक्शन दोनों को एक साझा मग-सेंट्रिक फ्रेम में दर्शाया जाता है। यह धारणा और नियंत्रण दोनों में पोज़-प्रेरित परिवर्तनशीलता को कम करता है, जिससे एक एकल पॉलिसी को साझा रणनीति का पुन: उपयोग करने की अनुमति मिलती है।
क्लोज्ड-लूप हैंडल-अवेयर ग्रैसिंग: लेखक एक एकल RL पॉलिसी को कैनोनिकलाइज्ड विज़ुअल-प्रोपियोसेप्टिव फीडबैक और एक विशेष रिवॉर्ड फंक्शन का उपयोग करके प्रशिक्षित करते हैं। यह बिना किसी स्पष्ट मोशन प्लानिंग के विविध ज्यामिति और पोज़ के बीच सटीक अप्रोच, अलाइनमेंट और क्लोजर टाइमिंग को सक्षम बनाता है।
व्यापक मूल्यांकन: फ्रेमवर्क का सिमुलेशन और हार्डवेयर पर मोशन प्लानिंग और डिफ्यूजन-आधारित बेसलाइन्स के विरुद्ध बेंचमार्किंग किया गया है। अध्ययन में कैनोनिकलाइजेशन, रिवॉर्ड शेपिंग और करिकुलम लर्निंग के योगदान को अलग करने वाले एब्लेशन स्टडीज शामिल हैं।

4. प्रयोगात्मक परिणाम

4.1 सिमुलेशन प्रदर्शन

रैंडमाइज्ड प्लेसमेंट के साथ अनदेखे मग उदाहरणों पर मूल्यांकन किया गया:

सफलता दर (Success Rate - SR): AnyMug ने सीधे मग (upright) के लिए 93.18% और उल्टे मग (inverted) के लिए 94.19% प्राप्त किया।
तुलना:
- मोशन प्लानिंग (ओपन-लूप): पोज़ एस्टीमेशन नॉइज़ बढ़ने के साथ प्रदर्शन तेजी से गिरा ( $\sigma=0.030$ m पर ~60% SR तक), जो ओपन-लूप निष्पादन की संवेदनशीलता को उजागर करता है।
- डिफ्यूजन पॉलिसी (DP): ~36% SR प्राप्त किया, जो मुख्य रूप से खाली ग्रैस्प और टाइमआउट के कारण विफल हुआ, जो केवल प्रदर्शनों (demonstrations) से सटीक अलाइनमेंट सीखने में कठिनाई का संकेत देता है।
- इक्विवैरिएंट बेसलाइन्स (EquiDiff, EquiBot): मानक DP से बेहतर रहे लेकिन AnyMug से काफी नीचे रहे (क्रमशः 54% और ~12-19% SR), जो सुझाव देता है कि केवल इक्विवैरिएंस (equivariance) सूक्ष्म हैंडल ज्यामिति तर्क के लिए पर्याप्त नहीं है।

4.2 वास्तविक दुनिया का ज़ीरो-शॉट ट्रांसफर (Real-World Zero-Shot Transfer)

एक वास्तविक फ्रैंका पांडा रोबोट पर तैनात किया गया, जिसे बिना फाइन-ट्यूनिंग के 5 भौतिक रूप से भिन्न, अनदेखे मगों पर टेस्ट किया गया:

सफलता दर: दोनों श्रेणियों (सीधे और उल्टे) के लिए 80% सफलता दर (प्रत्येक 10 परीक्षणों में से 8/10) प्राप्त की।
विफलता मोड (Failure Modes): विफलताएं "टिप/फॉल" और "खाली ग्रैस्प" के बीच विभाजित थीं, जो इंगित करती हैं कि पॉलिसी आम तौर पर सुरक्षित रूप से दृष्टिकोण करती है लेकिन वास्तविक दुनिया के धारणा शोर (perception noise) के तहत अलाइनमेंट के लिए संघर्ष करती है।
बेसलाइन्स:
- मोशन प्लानिंग: 70% (सीधे) और 60% (उल्टे) SR।
- डिफ्यूजन पॉलिसी: 20% (सीधे) और 10% (उल्टे) SR।
निष्कर्ष: AnyMug ने ओपन-लूप और मानक लर्निंग-आधारित बेसलाइन्स की तुलना में वास्तविक दुनिया की धारणा त्रुटियों के प्रति बेहतर मजबूती प्रदर्शित की।

4.3 एब्लेशन स्टडीज (Ablation Studies)

फिंगर अपोजिशन रिवॉर्ड: इस शब्द को हटाने से 0% सफलता दर और 100% खाली ग्रैस्प प्राप्त हुआ, जो साबित करता है कि यह कार्यात्मक ग्रैसिंग के लिए आवश्यक है।
कैनोनिकलाइजेशन: अवलोकन-क्रिया कैनोनिकलाइजेशन को हटाने से सफलता दर ~93% से गिरकर ~31% (सीधे) और ~41% (उल्टे) हो गई, जो पुष्टि करता है कि यह सामान्यीकरण के लिए प्रमुख कारक है।

5. महत्व और दावे

पेपर दावा करता है कि AnyMug सफलतापूर्वक ऑब्जेक्ट के पोज़ से कार्य को अलग करके पोज़-अज्ञेय कार्यात्मक ग्रैसिंग की समस्या को हल करता है। इनपुट (डेप्थ) और आउटपुट (एक्शन) दोनों को कैनोनिकलाइज करके, सिस्टम एक एकल, पुन: प्रयोज्य क्लोज्ड-लूप पॉलिसी सीखता है जो विविध उदाहरणों और पोज़ में सामान्यीकरण करती है।

लेखक इस बात पर जोर देते हैं कि:

कैनोनिकलाइजेशन महत्वपूर्ण है: यह प्लेसमेंट-निर्भर मोटर कमांड्स को सीखने की आवश्यकता को समाप्त करता है, जिससे सामान्यीकरण में काफी सुधार होता है।
क्लोज्ड-लूप फीडबैक आवश्यक है: ओपन-लूप विधियों के विपरीत, AnyMug की क्लोज्ड-लूप प्रकृति अवशिष्ट पोज़ एस्टीमेशन त्रुटियों और संपर्क विविधताओं की भरपाई करती है।
सिम-टू-रियल ट्रांसफर: फ्रेमवर्क वास्तविक दुनिया के फाइन-ट्यूनिंग के बिना वास्तविक रोबोट पर मजबूत ज़ीरो-शॉट ट्रांसफर प्राप्त करता है, जो विश्लेणात्मक प्लानर्स और अत्याधुनिक लर्निंग बेसलाइन्स दोनों को पछाड़ देता है।

स्वीकृत सीमाएँ (Limitations Acknowledged):

वर्तमान कार्य मग ऑब्जेक्ट्स और दो पोज़ श्रेणियों तक सीमित है।
यह एक स्पष्ट टॉप-डाउन डेप्थ ऑब्जर्वेशन मानता है; क्लटर्ड सीन्स (cluttered scenes), गंभीर ऑक्लूजन (occlusion), या रिफ्लेक्टिव सतहों के तहत प्रदर्शन कम हो सकता है जहाँ हैंडल दिशा का अनुमान लगाना विफल हो जाता है।
भविष्य के कार्य के लिए फ्रेमवर्क को व्यापक ऑब्जेक्ट क्लासों, अतिरिक्त पोज़ मोड (जैसे, झुका हुआ/tilted), और डाउनस्ट्रीम कार्यों जैसे कि डालना (pouring) तक विस्तारित करने की आवश्यकता है।