Physical Self-Supervised Learning: IMU Sensing without Manual Labels
यह शोध पत्र "फिजिकल सेल्फ-सुपरवाइज्ड लर्निंग" का प्रस्ताव करता है, जो कि एक नवीन लेबल-मुक्त (label-free) फ्रेमवर्क है जो IMU सेंसिंग के लिए है और जो ट्रैकिंग तथा मोशन कैप्चर त्रुटियों को महत्वपूर्ण रूप से कम करने के साथ-साथ लागत प्रभावी लेबल वाले डेटा की सीमाओं और विभिन्न उपकरणों एवं उपयोगकर्ताओं के बीच खराब सामान्यीकरण (generalization) की बाधाओं को दूर करने के लिए सीखने योग्य काइनेमैटिक समीकरणों और संरचित लेटेंट स्पेस को एकीकृत 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
कल्पना कीजिए कि आप एक रोबोट को यह सिखाने की कोशिश कर रहे हैं कि इंसान कैसे चलते-फिरते हैं। वर्षों से, वैज्ञानिक "डीप न्यूरल नेटवर्क" (deep neural networks)—एक प्रकार का कंप्यूटर मस्तिष्क जो लाखों उदाहरणों को देखकर सीखता है—का उपयोग इसे हल करने के लिए करते आए हैं। आमतौर पर, कंप्यूटर को यह सिखाने के लिए कि "दौड़ना" या "कूदना" क्या है, इंसानों को हर एक सेकंड के वीडियो या सेंसर डेटा को मैन्युअल रूप से लेबल करना पड़ता है, जैसे कि कहना, "यह एक कूद है," या "यह एक कदम है।" यह एक बच्चे को बोलना सिखाने जैसा है जैसे कि वे जो भी शब्द बोल सकते हैं, उनके लिए एक शब्दकोश लिख दिया जाए। लेकिन वास्तविक दुनिया में, सेंसर हर जगह हैं: आपके फोन में, आपकी घड़ी में और आपके स्मार्ट चश्मे में। समस्या यह है कि ये सेंसर बहुत अव्यवस्थित (messy) होते हैं। वे आपकी जेब में टकराते हैं, आपकी कलाई पर फिसलते हैं, और आपके शरीर के साथ हिलते-डुलते हैं। क्योंकि यह डेटा इतना अव्यवस्थित है और लेबलिंग की प्रक्रिया इतनी महंगी है, इसलिए ये कंप्यूटर मस्तिष्क अक्सर प्रयोगशाला से बाहर निकलकर अराजक वास्तविक दुनिया में जाने पर विफल हो जाते हैं। वे यह समझ नहीं पाते कि सेंसर इसलिए हिल रहा है क्योंकि आप हिले थे, या इसलिए क्योंकि सेंसर आपकी जेब में इधर-उधर फिसल गया।
यह शोध पत्र इन कंप्यूटर मस्तिष्कों को बिना किसी मानव लेबल के सिखाने का एक चतुर नया तरीका पेश करता है। केवल कच्चे डेटा से पैटर्न का अनुमान लगाने के बजाय, लेखक उन्हें भौतिकी (physics) पर आधारित "सड़क के नियम" (rules of the road) देते हैं। उन्होंने एक ऐसा सिस्टम बनाया है जो यह समझता है कि प्रकृति के नियमों के अनुसार शरीर और सेंसर को कैसे हिलना चाहिए, जबकि यह एक ढीली घड़ी या उछलते हुए फोन जैसी वास्तविक स्थिति के अनुकूल होने के लिए पर्याप्त लचीला भी है। इसका परिणाम यह है कि यह सिस्टम आपके मूवमेंट को ट्रैक कर सकता है और आपकी मुद्रा (pose) को उच्च सटीकता के साथ पहचान सकता है, भले ही इसने पहले कभी वह विशिष्ट प्रकार का मूवमेंट या सेंसर प्लेसमेंट न देखा हो, और बिना किसी इंसान द्वारा यह बताए कि वह क्या देख रहा है।
समस्या: "ढीली घड़ी" की दुविधा
एक IMU (इनर्शियल मेजरमेंट यूनिट) को एक छोटे, अत्यंत संवेदनशील मोशन डिटेक्टिव के रूप में सोचें जो आपके शरीर से बंधा हुआ है। यह मापता है कि आप कितनी तेजी से त्वरण (acceleration) कर रहे हैं और आप कैसे घूम रहे हैं। एक आदर्श दुनिया में, यदि डिटेक्टिव आपकी कलाई से मजबूती से बंधा है, तो वह जानता है कि आपकी कलाई क्या कर रही है। लेकिन वास्तविक दुनिया में, आपकी घड़ी ढीली हो सकती है, या आपका फोन आपकी जेब में फिसल रहा हो सकता है।
जब सेंसर फिसलता है, तो यह एक भ्रमित करने वाला सिग्नल बनाता है। क्या सेंसर इसलिए घूम रहा है क्योंकि आपने अपना हाथ घुमाया, या इसलिए क्योंकि वह आपकी जेब के अंदर कुछ इंच फिसल गया? पारंपरिक कंप्यूटर मस्तिष्क (Deep Neural Networks) उन छात्रों की तरह हैं जिन्होंने केवल एक शांत पुस्तकालय में पढ़ाई की है। वे किताबें (लेबल किया गया डेटा) पढ़ने में बहुत अच्छे हैं, लेकिन जब पुस्तकालय हिलने लगता है और किताबें शेल्फ से गिरने लगती हैं, तो वे पूरी तरह से खो जाते हैं। इसे ठीक करने के लिए, वैज्ञानिक आमतौर पर कंप्यूटर को अधिक लेबल किया गया डेटा देने की कोशिश करते हैं, लेकिन उस डेटा को इकट्ठा करना धीमा, महंगा और बड़े पैमाने पर संभव नहीं है।
समाधान: एक भौतिकी-जानकार जासूस
लेखक एक नई सीखने की शैली प्रस्तावित करते हैं जिसे फिजिकल सेल्फ-सुपरवाइज्ड लर्निंग (Physical Self-Supervised Learning) कहा जाता है। केवल पैटर्न याद करने के बजाय, उन्होंने एक ऐसा सिस्टम बनाया है जो एक ऐसे जासूस की तरह काम करता है जो भौतिकी के नियमों को जानता है।
यहाँ बताया गया है कि उनका सिस्टम एक सरल उपमा का उपयोग करके कैसे काम करता है:
दो-चरणीय जासूस (द एनकोडर): कल्पना कीजिए कि कच्चा सेंसर डेटा शोर से भरा एक रेडियो प्रसारण है। उनके सिस्टम का पहला हिस्सा एक "नॉइज़ फिल्टर" है। यह स्पष्ट सिग्नल खोजने के लिए शोर को साफ करता है। यह महत्वपूर्ण है क्योंकि वास्तविक दुनिया के सेंसर बहुत शोर वाले होते हैं।
फिजिक्स डिकोडर (नियम पुस्तिका): अधिकांश कंप्यूटर सिस्टम उदाहरणों के विशाल डेटाबेस को देखकर उत्तर का अनुमान लगाने की कोशिश करते हैं। हालाँकि, यह नया सिस्टम एक "फिजिक्स डिकोडर" का उपयोग करता है। इसे गति के गणित (kinematics) की एक नियम पुस्तिका के रूप में सोचें। यह जानता है कि यदि एक पैर हिलता है, तो पैर को घुटने के सापेक्ष एक विशिष्ट तरीके से हिलना चाहिए। यह केवल अनुमान नहीं लगाता; यह गणना करता है। लेकिन यहाँ एक मोड़ है: यह नियम पुस्तिका स्व-अनुकूलन योग्य (auto-adaptive) है। यह अलग-अलग शरीर के आकार या सेंसर पहनने के अलग-अलग तरीकों के अनुकूल होने के लिए अपने स्वयं के मापदंडों को बदल सकती है। यह एक ऐसी नियम पुस्तिका की तरह है जो विशिष्ट स्थिति के अनुसार अपने स्वयं के अध्याय फिर से लिख सकती है।
"ढीला सेंसर" वाला तरीका (डिसेन्टैंगलमेंट): शरीर की गति और सेंसर की गति को अलग करना सबसे बड़ी चुनौती है। यदि आपकी घड़ी फिसलती है, तो क्या यह एक नया डांस मूव है या सिर्फ एक ढीला स्ट्रैप? लेखकों ने महसूस किया कि मानव गति की एक विशिष्ट लय (आवृत्ति/frequency) होती है, जबकि एक फिसलती हुई घड़ी का एक अलग प्रकार का मूवमेंट (स्थानिक सीमा/spatial limits) होता है।
- आवृत्ति बाधा (Frequency Constraint): मानव जोड़ बहुत उच्च गति पर कंपन नहीं करते; उनकी एक प्राकृतिक गति सीमा होती है। सिस्टम इसका उपयोग उस उच्च-गति वाले "जिटर" (jitter) को अनदेखा करने के लिए करता है जो सेंसर के फिसलने जैसा दिखता है।
- स्थानिक बाधा (Spatial Constraint): कलाई पर बंधी घड़ी केवल कुछ ही दूरी तक फिसल सकती है (शायद एक या दो इंच)। सिस्टम यह जानता है और उन गतिविधियों को अनदेखा करता है जिनमें घड़ी को कमरे के दूसरे कोने में टेलीपोर्ट करने की आवश्यकता होगी।
इन दोनों नियमों को जोड़कर, सिस्टम आपके शरीर की गति को आपके ऊपर फिसलते हुए सेंसर की गति से गणितीय रूप से "अलग" कर सकता है।
मल्टी-व्यू ट्री: यदि आपके पास केवल एक सेंसर है, तो यह जानना कठिन है कि पूरा शरीर क्या कर रहा है। यह एक पेड़ के केवल एक पत्ते को देखकर पूरे पेड़ के आकार का अनुमान लगाने जैसा है। लेखकों ने एक "मल्टी-व्यू काइनेमैटिक ट्री" बनाया है। शरीर को शाखाओं वाले एक पेड़ के रूप में कल्पना करें। भले ही आपके पास केवल कुछ शाखाओं पर सेंसर हों, सिस्टम भौतिकी के नियमों का उपयोग यह अनुमान लगाने के लिए करता है कि अन्य शाखाएं क्या कर रही हैं, जिससे शरीर की गति की एक पूर्ण तस्वीर बनती है।
उन्होंने क्या पाया
लेखकों ने इस सिस्टम का परीक्षण दो प्रमुख कार्यों पर किया: इनर्शियल ट्रैकिंग (यह पता लगाना कि आप कहाँ चल रहे हैं) और मोशन कैप्चर (आपकी पूरी शारीरिक मुद्रा को समझना)। उन्होंने अपने "लेबल-मुक्त" सिस्टम की तुलना मौजूदा सर्वोत्तम तरीकों से की जो मानव लेबल पर निर्भर करते हैं।
- परिणाम: चुनौतीपूर्ण स्थितियों में जहाँ सेंसर ढीले थे या वातावरण प्रशिक्षण डेटा से अलग था, उनका सिस्टम एक बड़ा विजेता रहा।
- चलने की जगह को ट्रैक करने के लिए, इसने पिछले तरीकों की तुलना में त्रुटियों को 5 गुना तक कम कर दिया।
- फुल-बॉडी मोशन कैप्चर करने के लिए, इसने त्रुटियों को 4 गुना तक कम कर दिया।
- "ढीला" टेस्ट: जब उन्होंने ढीले सेंसरों के साथ परीक्षण किया (एक बैग में फोन या ढीली घड़ी का अनुकरण करते हुए), तो पारंपरिक तरीके बुरी तरह विफल हो गए, जिससे अक्सर असंभव और अजीब गतिविधियाँ दिखाई देने लगीं। नया सिस्टम स्थिर रहा, और सेंसर के फिसलने के बावजूद त्रुटियों को कम रखा।
- सामान्यीकरण (Generalization): सिस्टम केवल उन्हीं लोगों पर काम नहीं किया जिन पर इसका परीक्षण किया गया था; यह नए लोगों, नए प्रकार के मूवमेंट्स और यहाँ तक कि पूरी तरह से अलग डेटासेट्स पर भी अच्छी तरह से काम किया जिन्हें इसने पहले कभी नहीं देखा था।
यह क्यों महत्वपूर्ण है
सबसे रोमांचक बात यह है कि इस सिस्टम ने यह सब बिना किसी मैनुअल लेबल के सीखा। इसे यह बताने के लिए किसी इंसान की जरूरत नहीं थी कि "यह एक दौड़ है," या "यह एक कूद है।" इसने भौतिकी के नियमों का उपयोग करके सेंसर डेटा को फिर से बनाने (reconstruct) की कोशिश करके और नियमों के टूटने पर खुद को सुधारकर सीखा।
यह सुझाव देता है कि हम अंततः ऐसे मोशन-ट्रैकिंग सिस्टम बना सकते हैं जो वास्तविक दुनिया के लिए पर्याप्त मजबूत हों। चाहे वह वर्चुअल रियलिटी, स्पोर्ट्स एनालिसिस, या स्वास्थ्य निगरानी के लिए हो, इस पद्धति का अर्थ है कि हम सेंसर को कहीं भी, किसी भी स्थिति में तैनात कर सकते हैं, बिना पहले डेटा के हर सेकंड को लेबल करने के लिए लोगों की टीम की आवश्यकता के। यह अव्यवस्थित, अप्रत्याशित वास्तविक दुनिया को एक ऐसी जगह में बदल देता है जहाँ कंप्यूटर अंततः समझ सकते हैं कि हम कैसे चलते हैं।
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।