Filling the Pareto-Optimal Front for Affordance Segmentation on Embedded Devices Using RGB-D Cameras
यह शोध पत्र एम्बेडेड उपकरणों पर अफोर्डेंस सेगमेंटेशन (affordance segmentation) के लिए कॉम्पैक्ट डीप नेटवर्क में RGB-D डेटा को एकीकृत करने हेतु दो हार्डवेयर-जागरूक दृष्टिकोण प्रस्तावित करता है, जो स्मार्टफोन-अनुकूल ऊर्जा बजट के भीतर वास्तविक समय का प्रदर्शन सफलतापूर्वक प्राप्त करते हुए सामान्यीकरण सटीकता और हार्डवेयर बाधाओं के बीच संतुलन बनाने वाले पारेटो-इष्टतम (Pareto-optimal) समाधानों की पहचान करते 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
कल्पना कीजिए कि आप एक रोबोटिक हाथ को कॉफी का मग उठाने के लिए सिखा रहे हैं। आप उसे सिर्फ यह नहीं कह सकते कि "मग पकड़ो"; आपको उसे यह बताना होगा कि कहाँ से पकड़ना है। यदि वह हैंडल को पकड़ता है, तो मग पलट सकता है; यदि वह नीचे से पकड़ता है, तो वह फिसल सकता है। यह "अफोर्डेंस सेगमेंटेशन" (affordance segmentation) का काम है: एक फैंसी शब्द जो कंप्यूटर को यह सिखाने के लिए है कि किसी वस्तु को देखकर ठीक किन हिस्सों को छूना सुरक्षित है और कौन से हिस्से सुरक्षित नहीं हैं।
लंबे समय तक, रोबोट ने इसे करने के लिए मानक कैमरों (RGB) पर भरोसा किया है, जो दुनिया को रंगों में देखते हैं। लेकिन रंग पेचीदा हो सकते हैं। यदि एक नीला मग नीली मेज पर रखा है, तो एक कलर कैमरा भ्रमित हो सकता है और सोच सकता है कि मग मेज का ही हिस्सा है। यहीं पर डेप्थ सेंसर (depth sensors) काम आते हैं। डेप्थ सेंसर को एक ऐसे आंखों के जोड़े के रूप में सोचें जो दूरी भी माप सकती है, जिससे दुनिया का 3D मानचित्र तैयार होता है। इसे इस बात से फर्क नहीं पड़ता कि मग नीला है या मेज नीली है; यह जानता है कि मग कैमरे के करीब है। हालाँकि, बड़ी चुनौती यह है कि रोबोट को अक्सर छोटा, पोर्टेबल और बैटरी से चलने वाला होना पड़ता है। एक छोटे चिप पर जटिल 3D विजन सॉफ्टवेयर चलाना एक स्मार्टवॉच के अंदर सुपरकंप्यूटर चलाने जैसा है—यह आमतौर पर ओवरहीट हो जाता है या बैटरी को तुरंत खत्म कर देता है। वैज्ञानिक यह पता लगाने की कोशिश कर रहे हैं कि कैसे इन "3D-सचेत" दिमागों को इतना छोटा बनाया जाए कि वे पहनने योग्य रोबोट पर फिट हो सकें बिना उनकी सारी ऊर्जा सोखे।
यह शोध पत्र ठीक इसी पहेली को सुलझाता है। शोधकर्ता यह देखना चाहते थे कि क्या वे एक छोटा, कुशल रोबोटिक दिमाग बना सकते हैं जो चीजों को पकड़ने का तरीका जानने के लिए रंग (RGB) और गहराई (D) दोनों डेटा का उपयोग करता है, और वह भी एक पोर्टेबल डिवाइस पर चलते हुए। उन्होंने केवल अनुमान नहीं लगाया; उन्होंने इन दिमागों को डिजाइन करने के लिए दो अलग-अलग "वास्तुकार" (architects) बनाए। पहला दृष्टिकोण "हार्डवेयर-अवेयर न्यूरल आर्किटेक्चर सर्च" (HW-NAS) था। कल्पना कीजिए कि यह एक सुपर-फास्ट, स्वचालित रोबोट वास्तुकार है जो हजारों अलग-अलग मस्तिष्क डिजाइनों को आजमाता है, प्रत्येक का परीक्षण यह देखने के लिए करता है कि क्या वह एक विशिष्ट छोटे चिप पर सबसे अच्छी तरह फिट बैठता है और साथ ही मग पकड़ने के लिए पर्याप्त स्मार्ट है। दूसरा दृष्टिकोण एक "फाइन-ट्यूनिंग" (fine-tuning) विधि है, जो एक ऐसे दिमाग को धीरे से सिखाने जैसा है जो पहले से ही 2D (केवल रंग) में देखने में बहुत अच्छा था, कि वह 3D गहराई को कैसे समझे, बजाय इसके कि एक नया दिमाग शुरू से बनाया जाए।
टीम ने रोजमर्रा की वस्तुओं जैसे चम्मच, हथौड़े और मग वाली हजारों छवियों वाले वास्तविक दुनिया के डेटासेट पर इन विचारों का परीक्षण किया। उन्होंने पाया कि गहराई की जानकारी जोड़ने से रोबोट लगभग हमेशा अधिक स्मार्ट हो गया। उदाहरण के लिए, "स्कूप" (scoop) को पहचानने की कोशिश करते समय, गहराई डेटा का उपयोग करने वाला मॉडल केवल रंग का उपयोग करने वाले मॉडल की तुलना में 31.6% अधिक सटीक था। यह विशेष रूप से तब सहायक रहा जब रोशनी खराब थी या जब वस्तुओं के रंग बैकग्राउंड में मिल रहे थे। शोधकर्ताओं ने यह भी सिद्ध किया कि उनके नए डिजाइन "पारेटो ऑप्टिमल फ्रंट" (Pareto optimal front) पर स्थित हैं। सरल भाषा में, इसका अर्थ है कि उन्होंने सही संतुलन (sweet spot) खोज लिया है: ये मॉडल जितनी ऊर्जा और मेमोरी वे उपयोग करते हैं, उसके मुकाबले जितने संभव हो सके उतने स्मार्ट हैं। आप एक स्मार्ट मॉडल को बिना बहुत बड़ा या धीमा बनाए और अधिक स्मार्ट नहीं बना सकते, और आप इसे बिना कम बुद्धिमान बनाए छोटा नहीं कर सकते।
अंत में, उन्होंने अपने सर्वश्रेष्ठ मॉडलों को एक वास्तविक प्रोटोटाइप पर परखा: एक जेटसन नैनो (Jetson Nano) बोर्ड, जो अक्सर रोबोटिक्स में उपयोग किया जाने वाला एक छोटा कंप्यूटर है, जो एक रियलसेंस (RealSense) RGB-D कैमरे से जुड़ा है। उन्होंने मापा कि यह कितनी तेजी से सोच सकता है और यह कितनी बिजली का उपयोग करता है। परिणाम उत्साहजनक थे। 3D गहराई डेटा को प्रोसेस करने के अतिरिक्त कार्य के बावजूद, सिस्टम वास्तविक समय में छवियों को प्रोसेस कर सका (अनुकूलन के साथ 16 फ्रेम प्रति सेकंड तक) और एक ऐसे पावर बजट पर चल सका जो मानक स्मार्टफोन बैटरी के अनुकूल है। शोध पत्र सुझाव देता है कि इन स्मार्ट, डेप्थ-अवेयर डिजाइनों का उपयोग करके, हम ऐसे पहनने योग्य रोबोट बना सकते हैं जो न केवल चीजों को पकड़ने में अधिक सटीक हैं बल्कि दैनिक जीवन में लोगों द्वारा पहने जाने के लिए पर्याप्त हल्के और ऊर्जा-कुशल भी 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।