Data Pyramid for Embodied Manipulation: A Survey
यह सर्वेक्षण एक "डेटा पिरामिड" ढांचे का प्रस्ताव करता है जो स्केलेबिलिटी (scalability) और रोबोट संरेखण (robot alignment) के बीच के ट्रेड-ऑफ के आधार पर पांच पूरक एम्बॉडीड डेटा स्रोतों को वर्गीकृत करता है, जो यह विश्लेषण करता है कि विभिन्न डेटा संरचनाएं एम्बॉडीड फाउंडेशन मॉडल्स की क्षमताओं को कैसे प्रभावित करती हैं और भविष्य के रोबोट लर्निंग के लिए प्रमुख चुनौतियों को रेखांकित 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 सैंडविच बनाना सिखाने की कोशिश कर रहे हैं। आप उसे केवल सैंडविच के बारे में एक किताब थमा नहीं सकते और उम्मीद नहीं कर सकते कि वह खुद ही चाकू पकड़ना या मेयोनेज़ फैलाना सीख जाएगा। आपको उसे कैसे करना है, यह दिखाना होगा। यह "एम्बोडीड एआई" (embodied AI) की दुनिया है—ऐसे रोबोट जिनके पास शरीर है, जो दुनिया को देख सकते हैं, और जो भौतिक रूप से चीजों को इधर-उधर हिला सकते हैं। लंबे समय तक, वैज्ञानिकों ने सोचा कि इन रोबोट्स को सिखाने का सबसे अच्छा तरीका यह है कि उन्हें वास्तविक दुनिया में लाखों बार अभ्यास कराया जाए, ठीक वैसे ही जैसे एक इंसान साइकिल चलाना सीखता है। लेकिन यह धीमा, महंगा और खतरनाक है यदि रोबोट कुछ तोड़ देता है।
हाल ही में, एक नया विचार लोकप्रिय हुआ है: क्या होगा अगर हम रोबोट को वैसे ही सिखाएं जैसे हम इंसानों को सिखाते हैं? हम उन्हें इंटरनेट का विशाल डेटा—फोटो, वीडियो और टेक्स्ट—खिलाते हैं ताकि वे किसी भी भौतिक वस्तु को छूने से पहले दुनिया को "देखना" और "बोलना" और दुनिया को समझना सीख सकें। यह चैटबॉट्स या इमेज जनरेटर के लिए बहुत अच्छा काम करता है। लेकिन रोबटों के साथ एक समस्या है: उन्हें यह जानने की जरूरत है कि अपने हाथों और उंगलियों को कैसे चलाना है, न कि केवल एक तस्वीर का वर्णन कैसे करना है। इंटरनेट सैंडविच की तस्वीरों से भरा है, लेकिन यह इस बात को दिखाने में बहुत खराब है कि हाथ को बिना गिराए चाकू को ठीक से कैसे पकड़ा जाना चाहिए। यह शोध पत्र एक बड़ा सवाल पूछता है: हम "इंटरनेट के ज्ञान" को "वास्तविक दुनिया के अभ्यास" के साथ कैसे मिला सकते हैं ताकि एक ऐसा रोबोट बनाया जा सके जो बुद्धिमान भी हो और कुशल भी?
इस शोध पत्र के लेखक, जो दुनिया भर के विश्वविद्यालयों के शोधकर्ताओं की एक विशाल टीम है, ने रोबोट प्रशिक्षण डेटा के बिखरे हुए ढेर को एक व्यवस्थित संरचना में व्यवस्थित करने का निर्णय लिया जिसे वे "डेटा पिरामिड" (Data Pyramid) कहते हैं। इसे रोबोट के लिए 'फूड पिरामिड' की तरह समझें। पिरामिड के सबसे ऊपर, आपके पास सबसे कीमती, उच्च गुणवत्ता वाली, लेकिन प्राप्त करने में कठिन सामग्री है: डेटा जो सीधे वास्तविक रोबोटों से वास्तविक कार्यों को करते हुए एकत्र किया गया है। यह "गोल्ड स्टैंडर्ड" है क्योंकि यह बिल्कुल वही है जो रोबोट को सीखने के लिए चाहिए, लेकिन इसे एकत्र करना इतना महंगा है कि आप बहुत कम मात्रा में ही इसे प्राप्त कर सकते हैं।
जैसे-जैसे आप पिरामिड में नीचे जाते हैं, डेटा प्राप्त करना आसान और सस्ता होता जाता है, लेकिन यह एक विशिष्ट रोबोट को सिखाने के लिए थोड़ा कम सटीक होता जाता है। अगली परत नीचे "UMI डेटा" है, जहाँ इंसान विशेष हैंडहेल्ड टूल्स का उपयोग करके रोबोट की उपस्थिति के बिना ही रोबोट की गतिविधियों की नकल करते हैं। उसके नीचे, इंसानों द्वारा चीजें करने (जैसे खाना बनाना या सफाई करना) के वीडियो हैं जो उनके अपने दृष्टिकोण से देखे गए हैं। ये यह दिखाने के लिए बेहतरीन हैं कि क्या करना है, लेकिन आपको मानव हाथ की गतिविधियों को रोबोट के हाथ की गतिविधियों में अनुवादित करना होगा। और नीचे, आपके पास है "सिमुलेशन डेटा"—वीडियो गेम में अभ्यास करते रोबोट। यह बहुत तेज़ और सस्ता है, लेकिन कभी-कभी गेम में भौतिकी (physics) बहुत अधिक सटीक होती है, जिससे रोबोट भ्रमित हो सकता है जब वह अव्यवस्थित वास्तविक दुनिया में वही काम करने की कोशिश करता है। अंत में, आपके पास विशाल, सामान्य इंटरनेट डेटा (छवियां, टेक्स्ट, वीडियो) है जो उसे दुनिया के बारे में सामान्य जानकारी देता है, लेकिन यह उसे नहीं बताता कि अपने जोड़ों को कैसे चलाना है।
यह शोध पत्र केवल इन परतों को सूचीबद्ध नहीं करता है; यह विश्लेषण भी करता है कि नवीनतम, सबसे उन्नत रोबोट मस्तिष्क वास्तव में इनका उपयोग कैसे कर रहे हैं। उन्होंने पाया कि आज के सबसे स्मार्ट रोबोट मॉडल केवल एक प्रकार के डेटा का उपयोग नहीं कर रहे हैं। इसके बजाय, वे इन सभी सामग्रियों को मिलाकर "पका" रहे हैं। वे एक "कप" या "चम्मच" क्या है, यह सीखने के लिए विशाल सामान्य इंटरनेट डेटा से शुरू कर सकते हैं, फिर यह सीखने के लिए मानव वीडियो जोड़ सकते हैं कि लोग उनके साथ कैसे व्यवहार करते हैं, और अंत में यह सुनिश्चित करने के लिए कि गतिविधियाँ शारीरिक रूप से संभव हैं, वास्तविक रोबोट डेटा की एक छोटी मात्रा के साथ सब कुछ फाइन-ट्यून कर सकते हैं।
शोधकर्ता सुझाव देते हैं कि यह "पिरामिड" दृष्टिकोण भविष्य की कुंजी है। उनका तर्क है कि हम केवल वास्तविक रोबोट डेटा एकत्र करना जारी नहीं रख सकते क्योंकि यह बहुत धीमा और महंगा है। इसके बजाय, हमें इन विभिन्न स्रोतों को मिलाने में बेहतर होना होगा। वे यह भी बताते हैं कि हम अभी भी किन चीजों की कमी महसूस कर रहे हैं। उदाहरण के लिए, अधिकांश डेटा केवल रोबोट को चीजें सफलतापूर्वक करते हुए दिखाता है। हमारे पास पर्याप्त डेटा नहीं है कि रोबोट कब विफल होता है और वह अपनी गलतियों को कैसे सुधारता है। यदि कोई रोबोट कप गिरा देता है, तो हमें उसे यह सिखाने की आवश्यकता है कि उसे फिर से कैसे उठाया जाए, न कि केवल पहली बार में उसे पूरी तरह से कैसे पकड़ा जाए। वे यह भी नोट करते हैं कि रोबोटों को चीजों को "महसूस" करने (स्पर्श संबंधी डेटा/tactile data) की आवश्यकता है, न कि केवल देखने की, जो वर्तमान डेटासेट प्रदान करने में खराब हैं।
संक्षेप में, यह शोध पत्र अगली पीढ़ी के रोबोटों के लिए एक रोडमैप है। यह हमें बताता है कि एक वास्तव में सहायक रोबोट बनाने के लिए, हम केवल सूचना के एक स्रोत पर भरोसा नहीं कर सकते। हमें इंटरनेट के विशाल ज्ञान को वास्तविक दुनिया के अभ्यास के विशिष्ट, भौतिक पाठों के साथ मिलाना होगा, जिसे एक स्मार्ट तरीके से व्यवस्थित किया गया हो। यह केवल एक जादुई डेटासेट खोजने के बारे में नहीं है; यह "क्या" (सामान्य ज्ञान) को "कैसे" (भौतिक क्रिया) के साथ मिलाने के बारे में है ताकि एक ऐसा रोबोट बनाया जा सके जो वास्तव में हमारे दैनिक जीवन में हमारी मदद कर सके।
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।