Detector Confidence Signals Presence Rather Than Occlusion in Cluttered Manipulation
यह शोध पत्र प्रदर्शित करता है कि ओपन-वोकैबुलरी डिटेक्टर कॉन्फिडेंस (open-vocabulary detector confidence) किसी दृश्य के भीतर एक वस्तु श्रेणी की उपस्थिति का संकेत देता है न कि किसी विशिष्ट लक्ष्य की दृश्यता का, जो यह प्रकट करता है कि गंभीर अवरोध (severe occlusion) के तहत भी कॉन्फिडेंस उच्च बना रहता है और सक्रिय धारणा (active perception) तथा मूल्यांकन जैसे अवरोध-जागरूक कार्यों में महत्वपूर्ण विफलताओं का कारण बनता 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
रोबोट की चालाकी भरी आँख
कल्पना कीजिए कि आप एक रोबोट को एक बिखरे हुए कमरे में एक विशिष्ट खिलौना खोजने के लिए सिखा रहे हैं। ऐसा करने के लिए, आप रोबोट को एक "स्मार्ट आँख" देते हैं जो आर्टिफिशियल इंटेलिजेंस (AI) द्वारा संचालित है। यह आँख विशेष है क्योंकि यह भाषा को समझ सकती है; यदि आप इसे कहते हैं, "लाल सूप का डिब्बा ढूँढो," तो यह कमरे को स्कैन करती है और एक उंगली दिखाकर कहती है, "मुझे यह मिल गया!" और साथ ही एक निश्चित आत्मविश्वास व्यक्त करती है, जिसे आमतौर पर 0 और 1 के बीच की संख्या के रूप में दिखाया जाता है। वैज्ञानिक इन उपकरणों को "ओपन-वोकैबुलरी डिटेक्टर्स" (open-vocabulary detectors) कहते हैं। ये उन आधुनिक रोबोटों के पीछे का मस्तिष्क हैं जो वस्तुओं को उठाने, कचरा छाँटने या रसोई में मदद करने की कोशिश करते हैं।
बड़ा सवाल यह है: रोबोट को कैसे पता चलता है कि वह वास्तव में खिलौने को देख रहा है, या खिलौना अन्य चीजों के ढेर के पीछे छिपा हुआ है? रोबोटिक्स की दुनिया में, एक अवधारणा है जिसे "एक्टिव परसेप्शन" (active perception) कहा जाता है। यह इस विचार पर आधारित है कि यदि रोबोट किसी चीज़ को स्पष्ट रूप से नहीं देख पाता है, तो उसे बेहतर तरीके से देखने के लिए अपने कैमरे या शरीर को हिलाना चाहिए। लेकिन रोबोट को यह जानने के लिए कि उसे कब हिलना चाहिए, उसे अपने स्वयं के "कॉन्फिडेंस स्कोर" (विश्वास संख्या) पर भरोसा करने की आवश्यकता है। यदि संख्या अधिक है, तो रोबोट सोचता है, "मैं इसे स्पष्ट रूप से देख रहा हूँ, हिलने की कोई आवश्यकता नहीं है।" यदि संख्या कम है, तो वह सोचता है, "मुझे यकीन नहीं है, मुझे इधर-उधर देखना चाहिए।" पूरा सिस्टम इस धारणा पर निर्भर करता है कि उच्च आत्मविश्वास स्कोर का अर्थ है कि वस्तु वास्तव में दिखाई दे रही है और छिपी हुई नहीं है। लेकिन क्या होगा अगर वह आत्मविश्वास संख्या झूठ बोल रही हो? क्या होगा अगर रोबोट को विश्वास है कि वह वस्तु को देख रहा है, भले ही वह पूरी तरह से दबी हुई हो? यह एक रहस्य है जिसे एक नया अध्ययन हल करने के लिए निकला है।
महान आत्मविश्वास का छल
इस अध्ययन में, शोधकर्ताओं ने पाया कि इन स्मार्ट रोबोट आँखों के काम करने के तरीके में एक आश्चर्यजनक खामी है। उन्होंने पाया कि जब एक विशिष्ट वस्तु समान दिखने वाली अन्य वस्तुओं की दीवार के पीछे छिपी होती है, तो रोबोट का कॉन्फिडेंस स्कोर बिल्कुल भी नहीं गिरता है। वास्तव में, यह अक्सर बिल्कुल वैसा ही रहता है, या यहाँ तक कि बढ़ भी जाता है!
इसे समझने के लिए, कल्पना कीजिए कि आप एक भीड़भाड़ वाले जिम में अपने दोस्त, "एलेक्स" को ढूँढ रहे हैं। आप लोगों के एक समूह को देखते हैं जिन्होंने एलेक्स की तरह ही नीली जर्सी पहनी हुई है। भले ही असली एलेक्स एक लॉकर के पीछे छिपा हो और आप उसका एक इंच भी न देख पा रहे हों, फिर भी आपका दिमाग कह सकता है, "मैंने एलेक्स को देख लिया!" क्योंकि आप उसके जैसे दिखने वाले बहुत से लोगों को देख रहे हैं। रोबोट की "आँख" भी बिल्कुल ऐसा ही करती है। जब लक्ष्य वस्तु (जैसे सूप का डिब्बा) ढकी होती है, तो डिटेक्टर पास में मौजूद अन्य सूप के डिब्बों को देखकर उत्साहित हो जाता है। यह उच्च कॉन्फिडेंस स्कोर रिपोर्ट करता है, इसलिए नहीं कि वह उस विशिष्ट लक्ष्य को देख रहा है जिसे आपने पूछा था, बल्कि इसलिए क्योंकि वह चित्र में कहीं न कहीं एक सूप का डिब्बा देख रहा है।
शोधकर्ताओं ने इसका परीक्षण एक "ज्यामिति ओरेकल" (geometry oracle) का उपयोग करके किया, जो एक सुपर-सटीक, अदृश्य रूलर की तरह है जो जानता है कि वास्तविक लक्ष्य के कितने पिक्सेल दिखाई दे रहे हैं। उन्होंने ऐसे दृश्य बनाए जहाँ उन्होंने धीरे-धीरे लक्ष्य को विचलित करने वाली वस्तुओं (distractors) की एक दीवार से ढक दिया। जैसे-जैसे लक्ष्य गायब होता गया—100% दृश्यता से घटकर केवल 12% दृश्यता तक—रोबोट का कॉन्फिडेंस स्कोर मुश्किल से बदला। यह लगभग 0.40 पर अटका रहा, मानो लक्ष्य पूरी तरह से दिखाई दे रहा हो। वहीं दूसरी ओर, "ओरेकल" सच्चाई जानता था: लक्ष्य लगभग पूरी तरह से गायब हो चुका था।
यह रोबोटों के लिए एक खतरनाक जाल बनाता है। यदि कोई रोबोट अपने कैमरे को हिलाने का निर्णय लेने के लिए इस कॉन्फिडेंस स्कोर पर निर्भर करता है, तो वह कभी नहीं हिलेगा। वह वहीं बैठा रहेगा, इस विश्वास के साथ कि उसने वस्तु को पा लिया है, भले ही वस्तु पूरी तरह से छिपी हुई हो। अध्ययन ने दिखाया कि अत्यधिक अव्यवस्थित दृश्यों में, रोबोट उन 99% फ्रेमों में लक्ष्य मौजूद होने की रिपोर्ट करता था जहाँ वह वास्तव में छिपा हुआ था। यह केवल थोड़ा सा गलत नहीं था; यह पूरे आत्मविश्वास के साथ गलत था।
एक झूठ की कीमत
शोधकर्ताओं ने मापा कि यह गलती रोबोट के प्रदर्शन को वास्तव में कितना नुकसान पहुँचाती है। उन्होंने पाया कि यदि आप इस कॉन्फिडेंस स्कोर का उपयोग करके रोबोट की "इधर-उधर देखने" (एक्टिव परसेप्शन) की क्षमता का आकलन करते हैं, तो आप पूरी तरह से गलत निष्कर्ष निकालेंगे। उनके परीक्षणों में, कैमरा हिलाने से रोबोट को 88% अधिक दृश्यों में लक्ष्य देखने में मदद मिली। हालाँकि, क्योंकि लक्ष्य छिपे होने पर भी कॉन्फिडेंस स्कोर नहीं बदला, रोबोट के आंतरिक स्कोर ने केवल लगभग 8 अंकों का मामूली सुधार दिखाया। इसका मतलब है कि कॉन्फिडेंस मेट्रिक कैमरा हिलाने के महत्व को लगभग दस गुना कम आंकता है। यह एक अंधेरी गुफा में अंधेरे में देखने के लिए टॉर्च कितनी मदद करती है, इसे एक टूटी हुई घड़ी से मापने की कोशिश करने जैसा है जो हमेशा "दोपहर" बताती है।
अध्ययन ने यह भी जाँच की कि क्या रोबोट के पास इसे ठीक करने के लिए कोई अन्य संकेत था। उन्होंने यह जाँचने की कोशिश की कि क्या रोबोट की "उँगली" (डिटेक्टेड बॉक्स) वास्तव में सही वस्तु की ओर इशारा कर रही है। लेकिन यहाँ चौंकाने वाली बात यह थी: वह भी अच्छी तरह से काम नहीं आया। क्योंकि विचलित करने वाली वस्तुएं (नकली सूप के डिब्बे) ठीक उसी जगह खड़ी थीं जहाँ असली सूप का डिब्बा होना चाहिए था, इसलिए रोबोट की उँगली एक विचलित करने वाली वस्तु पर जा गिरी, जो वास्तविक लक्ष्य के स्थान के बहुत करीब थी। इसलिए, एक साधारण "क्या यह सही जगह पर है?" जाँच यह अंतर नहीं कर सकी कि असली वस्तु कौन सी है और नकली कौन सी। केवल कैमरा को एक नए कोण पर हिलाना ही काम आया, जिसने दृश्य को साफ कर दिया और रोबोट को सच्चाई देखने दी।
निर्णय
यह समस्या केवल एक विशिष्ट रोबोट की गड़बड़ी नहीं है; शोधकर्ताओं ने तीन अलग-अलग प्रकार के AI डिटेक्टरों, नौ अलग-अलग प्रकार की वस्तुओं और यहाँ तक कि वास्तविक दुनिया के वीडियो क्लिप्स पर भी इसका परीक्षण किया। हर मामले में, कॉन्फिडेंस स्कोर विफल रहा जब वस्तु छिपी हुई थी। अध्ययन का निष्कर्ष है कि ये डिटेक्टर हमें यह नहीं बता रहे हैं कि एक विशिष्ट वस्तु दिखाई दे रही है या नहीं; वे केवल यह बता रहे हैं कि उस श्रेणी की कोई चीज़ कमरे में मौजूद है।
बेहतर रोबोट बनाने के लिए सबक स्पष्ट है: यह बताने के लिए कि कोई वस्तु छिपी हुई है, कॉन्फिडेंस स्कोर पर भरोसा न करें। यदि एक रोबोट बिखरे हुए कमरे में है और स्कोर उच्च है, तो हो सकता है कि वह केवल एक धोखेबाज वस्तु को देख रहा हो। सबसे सुरक्षित दांव यह है कि यह मान लिया जाए कि भारी अव्यवस्था का अर्थ है कि रोबोट को अपना कैमरा हिलाने और फिर से देखने की आवश्यकता है, न कि उस संख्या पर भरोसा करने की जो वह आपको देता है। शोधकर्ताओं ने अपने टेस्ट सीन को एक बेंचमार्क के रूप में जारी किया है ताकि अन्य वैज्ञानिक अपने रोबोटों को इस "झूठ पकड़ने वाले" (lie detector) परीक्षण के विरुद्ध जाँच सकें, जिससे यह सुनिश्चित हो सके कि भविष्य के रोबोट अपनी ही आँखों से धोखा न खा जाएँ।
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।