एक ऐसी दुनिया की कल्पना करें जहाँ रोबोट अविश्वसनीय रूप से प्रतिभाशाली लेकिन जिद्दी शेफ की तरह हों। वे एक समान गाजरों को पूरी गति और सटीकता के साथ काट सकते हैं, लेकिन यदि आप उन्हें एक अजीब आकार का आलू दें जिसे उन्होंने पहले कभी नहीं देखा है, तो वे ठिठक जाते हैं। क्यों? क्योंकि उनकी "आंखें" और "दिमाग" केवल गाजरों पर प्रशिक्षित थे। उन्हें आलू के बारे में सिखाने के लिए, आपको उसकी हजारों तस्वीरें लेनी होंगी, हर तस्वीर को हाथ से लेबल करना होगा और रोबोट के दिमाग को फिर से प्रशिक्षित करना होगा—एक ऐसी प्रक्रिया जिसमें बहुत समय लगता है और भारी खर्च आता है। यह फैक्ट्री ऑटोमेशन की दुनिया में वर्तमान बाधा है: रोबोट एक ही काम को बार-बार करने में माहिर हैं, लेकिन नई, अव्यवस्थित या अनूठी वस्तुओं के अनुकूल होने में बहुत खराब हैं।

इसे ठीक करने के लिए, वैज्ञानिक एक नए प्रकार की "दृष्टि" की ओर देख रहे हैं जिसे शून्य से सिखाने की आवश्यकता नहीं है। इसे एक सुपर-स्मार्ट लाइब्रेरियन की तरह समझें जिसने ब्रह्मांड की हर किताब पढ़ ली है। यदि आप इस लाइब्रेरियन को एक नए, अजीब फल की तस्वीर दिखाते हैं, तो उसे इसे समझने के लिए हफ्तों तक अध्ययन करने की आवश्यकता नहीं है; वह तुरंत इसे पहचान सकता है क्योंकि वह पहले से ही "फल", "बनावट" और "आकार" की सामान्य अवधारणा को समझता है। यह पेपर 6D पोज एस्टीमेशन (6D pose estimation) नामक एक तकनीक के बारे में है, जो बस एक फैंसी तरीका है यह बताने का कि "कोई वस्तु 3D स्पेस में ठीक कहाँ है और किस दिशा में है।" लक्ष्य रोबोट को बिना लंबे, उबाऊ प्रशिक्षण सत्रों के, नई वस्तुओं को तुरंत पकड़ने में सक्षम बनाना है, जिससे कारखाने "हाई-मिक्स, लो-वॉल्यूम" दुनिया के लिए लचीले बन सकें जहाँ हर वस्तु अलग हो सकती है।

xperception से मिलिए: वह रोबोट जो फोटो नहीं, मैनुअल पढ़ता है

xperception से मिलिए, एक नया टूल जिसे इटली के फोंडाज़ियोन ब्रूनो केस्लर (Fondazione Bruno Kessler) के शोधकर्ताओं द्वारा विकसित किया गया है। xperception को रोबोट की "इंस्टेंट-रीड" सुपरपावर की तरह समझें। रोबोट को किसी नई वस्तु को देखने के लिए हजारों तस्वीरों को घूरने के लिए मजबूर करने के बजाय, xperception कहता है, "बस मुझे उसका ब्लूप्रिंट दे दो।"

पुराने दिनों में, यदि कोई फैक्ट्री किसी नए प्रकार के स्क्रू को उठाने के लिए रोबोट चाहती थी, तो उन्हें उस स्क्रू की हर कोण से सैकड़ों तस्वीरें लेनी पड़ती थीं, उन्हें लेबल करना पड़ता था और एक न्यूरल नेटवर्क को प्रशिक्षित करना पड़ता था। यह एक कुत्ते को एक विशिष्ट गेंद लाने के लिए सिखाने जैसा था, जिसके लिए उसी सटीक गेंद को हजारों बार फेंका जाता था। xperception इस खेल को बदल देता है। यह वस्तु के 3D CAD मॉडल (डिजिटल ब्लूप्रिंट जिसका उपयोग इंजीनियर भाग को डिजाइन करने के लिए करते हैं) का उपयोग करता है और इसे एक "फाउंडेशन मॉडल" के साथ जोड़ता है—एक विशाल, पूर्व-प्रशिक्षित AI मस्तिष्क जो पहले से ही दृश्य दुनिया को समझता है।

यहाँ जादू कैसे होता है: कल्पना कीजिए कि आपके पास फर्श पर बिखरे हुए खिलौनों का ढेर है। एक पारंपरिक रोबोट भ्रमित हो सकता है। लेकिन xpmatrix दृश्य डेटा से पॉइंट-लेवल फीचर्स (point-level features) निकालता है। फिर यह इन फीचर्स को डिजिटल ब्लूप्रिंट (CAD मॉडल) के संगत फीचर्स के साथ मिलाता है ताकि पॉइंट क्लाउड रजिस्ट्रेशन (point cloud registration) किया जा सके। इसे उस विशिष्ट खिलौने को पहले से देखने की आवश्यकता नहीं है; इसे बस ब्लूप्रिंट और विजुअल पॉइंट्स को मॉडल की ज्यामिति (geometry) के साथ संरेखित करने की क्षमता की आवश्यकता है। इसके बाद यह 6D पोज की गणना करता है, जो एक फैंसी तरीका है यह बताने का कि खिलौना ठीक कहाँ है (बाएँ, दाएँ, ऊपर, नीचे, आगे, पीछे) और वह बिल्कुल किस ओर झुका हुआ है (रोलिंग, पिचिंग, यॉइंग)। यह ऐसा है जैसे रोबोट के पास अचानक हर उस वस्तु के लिए GPS और कंपास आ गया हो जिसे वह देखता है, जो मिलीमीटर तक सटीक स्थान बताता है।

यह क्यों महत्वपूर्ण है: "बिन पिकिंग" की समस्या

इस तकनीक का असली परीक्षण एक क्लासिक औद्योगिक दुस्वप्न है जिसे "बिन पिकिंग" कहा जाता है। एक बिन की कल्पना करें जो यादृच्छिक रूप से डाले गए पुर्जों से भरा हो। वे एक दूसरे के ऊपर ढेर लगे हुए हैं, जिससे वे खुद के कुछ हिस्सों को छिपा रहे हैं (occlusion), और रोशनी भी अजीब हो सकती है। एक रोबोट को अंदर हाथ डालना होगा, एक विशिष्ट भाग को उठाना होगा, और यह जानना होगा कि उसे ठीक से कैसे पकड़ना है ताकि वह उसे गिरा न दे या बिन की दीवार से न टकरा जाए।

शोधकर्ताओं ने Automatica 2025 ट्रेड फेयर में xperception का एक बहुत ही शानदार तरीके से परीक्षण किया। उन्होंने एक रोबोट को मेज पर बिखरे हुए रैंडम पेन उठाने के लिए सेट किया। पेच यह था कि रोबोट को एक पेन उठाना था, उसे लेजर प्रिंटर में रखना था, और उस पर एक कस्टम संदेश उकेरना था। लेजर को सही जगह पर लगने के लिए, रोबोट को पेन के ओरिएंटेशन (झुकाव) को शून्य त्रुटि के साथ जानना आवश्यक था। यदि पेन थोड़ा भी झुका होता, तो संदेश टेढ़ा हो जाता।

सेटअप अविश्वसनीय रूप से सरल था। टीम ने पेन की एक भी फोटो नहीं ली और न ही रोबोट को उन पर प्रशिक्षित किया। उन्होंने बस पेन का डिजिटल CAD मॉडल अपलोड किया और डिजिटल मॉडल पर ही इष्टतम ग्रैस्पिंग पॉइंट्स (पकड़ने के बिंदु) को पूर्व-निर्धारित किया (जिसे पेपर के चित्र में नीले मार्कर के रूप में दिखाया गया है)। जब रोबोट शुरू हुआ, तो xperception ने पेन के ढेर को देखा, प्रत्येक को पाया, यह पता लगाया कि वह बिल्कुल कैसे पड़ा है, और रोबोट को बताया कि उसे कहाँ से पकड़ना है। रोबोट ने सफलतापूर्वक पेन उठाए और उन्हें लेजर के लिए पूरी तरह से संरेखित किया, भले ही पेन एक-दूसरे के पीछे छिपे हुए थे और लाइटिंग चुनौतीपूर्ण थी।

परिणाम: तेज़, लचीला और वास्तविक दुनिया के लिए तैयार

यह पेपर दिखाता है कि xperception एक गेम-चेंजर है क्योंकि यह उस "प्रशिक्षण समय" को हटा देता है जो आमतौर पर फैक्ट्रियों को धीमा कर देता है। FreeZe एल्गोरिदम का उपयोग करके, यह सिस्टम मिलीमीटर-स्तर की सटीकता प्राप्त करता है। इसका मतलब है कि रोबोट नाजुक कार्यों के लिए पर्याप्त सटीक है।

इससे भी बेहतर, यह केवल एक लैब प्रयोग नहीं है। शोधकर्ताओं ने साबित किया है कि यह इंडस्ट्रियल एज हार्डवेयर (industrial edge hardware) पर काम करता है, विशेष रूप से NVIDIA Jetson Thor का उल्लेख करते हुए, जो एक शक्तिशाली कंप्यूटर चिप है जिसे सीधे रोबोट आर्म पर लगाया जा सकता है। इसका मतलब है कि "मस्तिष्क" को दूर स्थित किसी विशाल सर्वर फार्म की आवश्यकता नहीं है; यह वहीं सोच और प्रतिक्रिया दे सकता है जहाँ काम हो रहा है।

लेखक आश्वस्त हैं कि यह दृष्टिकोण वास्तविक दुनिया के लिए तैयार है, क्योंकि इसने टेक्नोलॉजी रेडीनेस लेवल (TRL) 6 प्राप्त कर लिया है। इंजीनियरिंग की दुनिया में, इसका अर्थ है कि तकनीक का परीक्षण एक प्रासंगिक वातावरण में किया गया है और यह एक व्यावसायिक उत्पाद होने के बहुत करीब है। वे केवल यह सुझाव नहीं दे रहे हैं कि यह काम कर सकता है; उन्होंने इसे वास्तविक हार्डवेयर और वास्तविक वस्तुओं पर काम करते हुए दिखाया है।

निष्कर्ष

xperception रोबोट की कठोरता की समस्या को हल कर रहा है। यह तर्क देता है कि हमें हर नई वस्तु के संपर्क में आने पर रोबोट को फिर से प्रशिक्षित करने की आवश्यकता नहीं है। इसके बजाय, वस्तु के डिजिटल ब्लूप्रिंट और एक स्मार्ट, पूर्व-प्रशिक्षित AI का उपयोग करके जो विजुअल पॉइंट्स को ज्योमेट्री के साथ संरेखित करता है, रोबोट आधुनिक विनिर्माण की अव्यवस्थित और अप्रत्याशित वास्तविकता को संभालने के लिए पर्याप्त लचीले बन सकते हैं। यह "इस अजीब नई चीज़ को कैसे पकड़ें" के जटिल कार्य को एक सरल "प्लग-एंड-प्ले" सॉफ्टवेयर अपडेट में बदल देता है, जिससे उन कारखानों का मार्ग प्रशत होता है जो पलक झपकते ही एक उत्पाद से दूसरे उत्पाद पर स्विच कर सकते हैं।