Unleashing Infinite Motion: Scaling Expressive Quadrupedal Motion via Generative Video Priors
यह शोध पत्र Uni-Mo को प्रस्तुत करता है, जो एक पूर्णतः स्वचालित पाइपलाइन है जो एक LLM और वीडियो डिफ्यूजन मॉडल का लाभ उठाकर विविध चतुष्पाद (क्वाड्रुपेड) गतियों का एक बड़े पैमाने पर, भाषा-एनोटेटेड डेटासेट तैयार करता है, जिससे उन नीतियों को प्रशिक्षित करने में सक्षम होता है जो पशु डेटा पर निर्भर हुए बिना वास्तविक रोबोटों पर सफलतापूर्वक अभिव्यंजक, साथी-समान व्यवहार तैनात करती हैं।
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
बड़ी समस्या: वह रोबोट कुत्ता जो केवल चल सकता है
कल्पive कि आपके पास एक रोबोट कुत्ता है। वह दौड़ने, सीढ़ियों पर कूदने और अगर उसे लात मारी जाए तो खुद को संभालने में अद्भुत है। लेकिन यदि आप उससे कुछ और करने को कहें—जैसे झुकना, नाचना, या बैकफ्लिप करना—तो वह बस आपको घूरता रह जाता है। यह एक ऐसे प्रतिभाशाली एथलीट की तरह है जिसे केवल एक ही जगह खड़े होकर जॉगिंग करना आता है।
लंबे समय से, वैज्ञानिक इन रोबों को नए करतब सिखाने के लिए असली जानवरों (जैसे कुत्ते या चीता) की फिल्में बनाने और उनकी गतिविधियों की नकल करने की कोशिश कर रहे थे। लेकिन इस दृष्टिकोण में तीन बड़ी खामियां हैं:
- "सहयोगी जानवर" की समस्या: आप एक असली कुत्ते को यह नहीं कह सकते कि "कैलिब्रेशन के लिए इस मुद्रा में रुक जाओ" या "कमांड मिलते ही बैकफ्लिप करो।" वे वही करते हैं जो वे चाहते हैं।
- "अनुवाद" की समस्या: एक असली कुत्ते की रीढ़ लचीली होती है और रोबोट की तुलना में उसका शरीर अलग आकार का होता है। एक असली कुत्ते की गति को रोबोट पर कॉपी करने की कोशिश करना एक चौकोर छेद में गोल खूंटी फिट करने जैसा है। गणित अक्सर टूट जाता है, और रोबोट कुछ ऐसा करने लगता है जो असंभव है या वह गिर जाता है।
- "बोरियत" की समस्या: क्योंकि हम असली जानवरों पर निर्भर हैं, हमें केवल वही गतिविधियाँ मिलती हैं जो जानवर स्वाभाविक रूप से करते हैं (चलना, दौड़ना)। हम उस मज़ेदार और अभिव्यंजक चीज़ों को खो देते हैं जो हम रोबोट से करवाना चाहते हैं।
समाधान: Uni-Mo (एक "काल्पनिक कुत्ता" फैक्ट्री)
लेखकों ने Uni-Mo नामक एक नया सिस्टम प्रस्तावित किया है। असली जानवरों की फिल्में बनाने के बजाय, उन्होंने AI का उपयोग करके गतिविधियों को सपनों में बुनने (dream up) का निर्णय लिया।
इसे ऐसे समझें: एक डांस रूटीन सीखने के लिए असली कुत्ते को काम पर रखने के बजाय, आप एक बहुत ही स्मार्ट AI मूवी डायरेक्टर को काम पर रखते हैं। आप डायरेक्टर को एक टेक्स्ट प्रॉम्प्ट देते हैं (जैसे "एक बैकफ्लिप करो"), और AI एक रोबोट कुत्ते का वीडियो बनाता है जो ठीक वैसा ही करता है।
यह पाइपलाइन कैसे काम करती है, स्टेप-दर-स्टेप यहाँ दिया गया है:
1. स्क्रिप्ट राइटर (LLM)
सबसे पहले, एक लार्ज लैंग्वेज मॉडल (जैसे कि एक बहुत ही रचनात्मक लेखक) रोबोट कुत्ते के लिए सैकड़ों मज़ेदार विचार तैयार करता है। वह प्रॉम्प्ट लिखता है जैसे "टैप डांस करो," "विनम्रता से झुक जाओ," या "पीछे की ओर लात मारो।"
2. मूवी डायरेक्टर (वीडियो डिफ्यूजन मॉडल)
इसके बाद, ये प्रॉम्प्ट्स एक "वीडियो डिफ्यूजन मॉडल" के पास जाते हैं। यह एक AI है जो टेक्स्ट से वीडियो बना सकता है।
- पुराना तरीका: यदि आप सिर्फ एक स्टैंडर्ड वीडियो AI से रोबोट कुत्ते को नाचने के लिए कहते हैं, तो वह भ्रमित हो जाता है। रोबोट के पैर पिघल सकते हैं, उसका सिर एक गोले में बदल सकता है, या उसका शरीर टेफी (taffy) की तरह खिंच सकता है। इसे "आइडेंटिटी ड्रिफ्ट" (Identity Drift) कहा जाता है। यह एक खराब स्पेशल इफेक्ट की तरह है जहाँ चरित्र हर सेकंड अपना आकार बदल लेता है।
- नया तरीका (आइडेंटिटी कंसिस्टेंसी लॉस): लेखकों ने AI के लिए एक विशेष नियम बनाया। उन्होंने इसे बताया: "चाहे रोबोट कैसे भी मूव करे, उसे वही रोबोट रहना चाहिए। उसके शरीर के हिस्से पिघल नहीं सकते या आकार नहीं बदल सकते।" उन्होंने एक विशेष गणितीय "गार्डरेल" (Loss function) जोड़ा जो AI को मजबूर करता है कि वह पहले फ्रेम से लेकर आखिरी फ्रेम तक रोबोट के स्वरूप को सुसंगत रखे। अब, AI एक ऐसा वीडियो बनाता है जहाँ रोबोट कुत्ता पूरे समय एक ठोस, कठोर मशीन की तरह दिखता है।
3. ट्रांसलेटर (3D एक्सट्रैक्शन)
एक बार जब AI एक परफेक्ट वीडियो बना लेता है जिसमें रोबोट नाच रहा है, तो सिस्टम को उस 2D वीडियो को 3D निर्देशों में बदलने की आवश्यकता होती है जिसे वास्तविक रोबोट समझ सके।
- क्योंकि वीडियो जनरेटर को कैमरा स्थिर रखने और रोबोट के आकार को सुसंगत रखने के लिए मजबूर किया गया था, इसलिए सिस्टम आसानी से वीडियो को "पढ़" सकता है।
- यह गणना करता है कि प्रत्येक जोड़ (joint) को ठीक कहाँ हिलना चाहिए, जिससे रोबोट के लिए एक 3D "स्क्रिप्ट" (ट्रैजेक्टरी) तैयार होती है।
4. रिहर्सल (ट्रेनिंग)
सिस्टम इन 3D स्क्रिप्ट्स को लेता है और एक वास्तविक रोबोट (Unitree Go2) को यह सिखाता है कि उन्हें कैसे फॉलो किया जाए, इसके लिए एक मानक प्रशिक्षण पद्धति का उपयोग किया जाता है। यह रोबोट को एक डांस इंस्ट्रक्टर देने जैसा है जो उसे ठीक से दिखाता है कि क्या करना है।
परिणाम: "क्वाड-इमेजिनैरियम" (Quad-Imaginarium)
टीम ने केवल एक वीडियो नहीं बनाया; उन्होंने Quad-Imaginarium नामक एक विशाल लाइब्रेरी बनाई।
- आकार: इसमें लगभग 7,500 अलग-अलग रोबोट मूवमेंट शामिल हैं, जो 18.5 घंटे की अनूठी क्रियाएं हैं।
- विविधता: इसमें कलाबाजी (acrobatics), हाव-भाव और अभिव्यंजक व्यवहार शामिल हैं जो असली जानवर शायद ही कभी करते हैं।
- सफलता दर:
- कंप्यूटर सिमुलेशन में, रोबोटों ने इन नई गतिविधियों को 97.6% सफलतापूर्वक किया।
- वास्तविक दुनिया में एक असली रोबोट पर, 96.7% मूव्स सफल रहे बिना रोबोट के गिरे।
यह क्यों महत्वपूर्ण है
यह पेपर साबित करता है कि हमें रोबोट को सिखाने के लिए असली जानवरों पर निर्भर रहने की आवश्यकता नहीं है। AI का उपयोग करके "सपनों" वाली गतिविधियों को उत्पन्न करने और फिर उन्हें सावधानीपूर्वक वास्तविकता में अनुवादित करने से, हम रोबोट कुत्तों को एक व्यक्तित्व दे सकते हैं। वे केवल "लोकोमोशन मशीन" बनना बंद कर सकते हैं और "साथी जैसे" जीव बन सकते हैं जो नाच सकते हैं, संकेत दे सकते हैं और समृद्ध, अभिव्यंजक तरीकों से बातचीत कर सकते हैं।
संक्षेप में: उन्होंने "असली कुत्ते की फिल्म बनाने" वाले तरीके को "एक परफेक्ट रोबोट मूवी जेनरेट करने" वाले तरीके से बदल दिया, वीडियो में रोबोट के पिघलने की समस्या को हल किया, और सफलतापूर्वक एक वास्तविक रोबोट को वे चीजें सिखाईं जो वह पहले कभी नहीं कर सकता था।
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।