CAAT: Contact-Aware Attention Scaling and Tactile Masking for Data-Efficient Contact-Rich Manipulation

कल्पना कीजिए कि एक रोबोट एक नाजुक अंडे को उठाने का तरीका सीखने की कोशिश कर रहा है। यदि रोबोट के पास केवल आँखें हैं, तो वह मेज पर रखे अंडे को देख सकता है और अपनी गतिविधि की योजना बना सकता है। लेकिन जैसे ही उसकी उंगलियां अंडे को छूती हैं, कैमरा दृश्य बाधित हो जाता है, और असली जादू तब होता है: रोबोट को यह महसूस करने की जरूरत होती है कि दबाव, फिसलन और बनावट कैसी है ताकि उसे पता चल सके कि वह उसे बहुत जोर से पकड़े हुए है या बहुत ढीला। यह "कॉन्टैक्ट-रिच मैनिपुलेशन" (संपर्क-समृद्ध हेरफेर) की दुनिया है, जहाँ एक रोबोट की सफलता इस बात पर निर्भर करती है कि वह "देखने" और "महसूस करने" के बीच स्विच करने में कितना सक्षम है। लंबे समय तक, रोबोट को यह सिखाना एक छात्र को नक्शा पढ़ने और एक साथ इलाके को महसूस करने के लिए सिखाने जैसा रहा है, बिना यह बताए कि उन्हें कब गियर बदलना है। रोबोट का मस्तिष्क (आमतौर पर एक जटिल AI जिसे ट्रांसफॉर्मर कहा जाता है) यह अनुमान लगाने की कोशिश करता है कि उसे कब अपनी आँखों की बात सुननी है और कब अपनी त्वचा की, और अक्सर भ्रमित हो जाता है क्योंकि "महसूस करने" वाला हिस्सा कार्य के एक बहुत छोटे अंश के लिए ही होता है।

यह शोध पत्र एक चतुर नई तकनीक पेश करता है जिसे CAAT (कॉन्टैक्ट-अवेयर अटेंशन स्केलिंग एंड टैक्टाइल मास्किंग) कहा जाता है, ताकि रोबोट को यह समझने में मदद मिल सके कि ठीक कब मोड बदलना है। CAAT को रोबोट की इंद्रियों के लिए एक स्मार्ट ट्रैफिक कंट्रोलर के रूप में समझें। रोबोट को यह अनुमान लगाने देने के बजाय कि उसे स्पर्श पर कब ध्यान देना चाहिए, CAAT एक सरल नियम का उपयोग करता है: "यदि आप किसी चीज़ को नहीं छू रहे हैं, तो अपनी आँखों पर भरोसा करें; यदि आप किसी चीज़ को छू रहे हैं, तो अपनी त्वचा पर भरोसा करें।" इसके पास एक दूसरी सुपरपावर भी है: यह रोबोट के स्पर्श के अनुभव के लिए "नॉइज़-कैंसलिंग हेडफ़ोन" की तरह काम करता है। जब रोबोट की उंगलियां किसी चीज़ को नहीं छू रही होती हैं, तो स्किन सेंसर अभी भी बैकग्राउंड (जैसे हवा या मेज) को महसूस करते हैं, जो उबाऊ और भटकाने वाला होता है। CAAT तुरंत उस बैकग्राउंड शोर को म्यूट कर देता है ताकि रोबोट केवल वास्तविक संपर्क के "तेज" संकेतों को ही सुन सके। इन दोनों तरकीबों को जोड़कर, रोबोट बहुत तेज़ी से सीखता है और कठिन कार्यों में बहुत बेहतर हो जाता है, भले ही उसने सीखने के लिए बहुत कम उदाहरण देखे हों।

समस्या: रोबोट का संवेदी भ्रम

रोबोट खाली स्थान में चलने के लिए अपने कैमरों का उपयोग करने में माहिर होते हैं। वे एक कप, एक बोतल या एक चाबी देख सकते हैं और उसे पकड़ने के लिए जगह का पता लगा सकते हैं। लेकिन जिस क्षण वे चीजों को छूना शुरू करते हैं, खेल बदल जाता है। वास्तविक दुनिया में, जार को खोलने या ताले में चाबी डालने जैसे कार्य सूक्ष्म भौतिक संवेदनाओं पर निर्भर करते—जैसे हल्की सी फिसलन या दबाव में बदलाव—जिसे कैमरे देख ही नहीं सकते।

समस्या यह है कि रोबट अक्सर यह जानने में संघर्ष करते हैं कि "विज़न मोड" से "टच मोड" में कब स्विच करना है। अधिकांश वर्तमान रोबोट एक मानक AI मस्तिष्क का उपयोग करते हैं जो बस सभी जानकारी को आपस में मिला देता है, इस उम्मीद में कि वह खुद ही सही संतुलन का पता लगा लेगा। यह एक छात्र से एक साथ गणित की समस्या हल करने के लिए कहने जैसा है जबकि साथ ही रेडियो भी बज रहा हो; रोबोट को हर सेकंड यह अनुमान लगाना पड़ता है कि कौन सी इंद्रिय महत्वपूर्ण है। चूंकि "स्पर्श" वाला हिस्सा कार्य का बहुत छोटा और दुर्लभ हिस्सा होता है, इसलिए रोबोट का मस्तिष्क विजुअल डेटा से अभिभूत हो जाता है और अक्सर महत्वपूर्ण स्पर्श संकेतों (tactile clues) को अनदेखा कर देता है। यह सीखने की प्रक्रिया को धीमा और अक्षम बनाता है, विशेष रूप से यदि रोबोट के पास अध्ययन करने के लिए हजारों अभ्यास प्रयास न हों।

समाधान: CAAT का दो-चरणीय जादू

लेखक CAAT का प्रस्ताव देते हैं, जो एक हल्का ढांचा (framework) है जो रोबोट की इंद्रियों के लिए एक स्मार्ट फिल्टर के रूप में कार्य करता है। यह रोबोट के मस्तिष्क को बदलता नहीं है; यह बस उसे बेहतर निर्देश देता है कि कैसे सुनना है। CAAT दो अलग-अलग चरणों में काम करता है:

1. "नॉइज़-कैंसलिंग" टच (डायनेमिक टैक्टाइल मास्किंग)
कल्पना कीजिए कि आप शोर वाले कमरे में फुसफुसाहट सुनने की कोशिश कर रहे हैं। यदि कमरे में लगातार बैकग्राउंड की आवाज़ें भरी हुई हैं, तो आप फुसफुसाहट नहीं सुन पाएंगे। इसी तरह, एक रोबोट के स्पर्श सेंसर हमेशा कुछ न कुछ "महसूस" कर रहे होते हैं, भले ही वे किसी वस्तु को नहीं छू रहे हों (जैसे हवा या मेज को महसूस करना)। यह स्थिर बैकग्राउंड शोर है।
CAAT एक "रेफरेंस" टच पेश करता है—जब उंगलियां किसी चीज़ को नहीं छू रही होती हैं, तब का अहसास। जैसे-जैसे रोबोट हिलता है, CAAT लगातार वर्तमान स्पर्श की तुलना उस रेफरेंस से करता है। यदि सेंसर का एक हिस्सा बिल्कुल रेफरेंस जैसा ही महसूस होता है, तो CAAT मान लेता है कि यह केवल बैकग्राउंड शोर है और उसे म्यूट कर देता है। यदि सेंसर का एक हिस्सा अलग महसूस करता है (क्योंकि वह किसी वस्तु के विरुद्ध दब रहा है), तो CAAT उसकी आवाज़ बढ़ा देता है। यह रोबोट को केवल अपनी उंगलियों के उन हिस्सों पर ध्यान केंद्रित करने की अनुमति देता है जो वास्तव में दुनिया के साथ बातचीत कर रहे हैं, बाकी को अनदेखा करता है।

2. "स्मार्ट ट्रैफिक कंट्रोलर" (कॉन्टैक्ट-अवेयर अटेंशन स्केलिंग)
एक बार शोर हट जाने के बाद, रोबोट को अभी भी यह तय करने की आवश्यकता है कि देखना है या महसूस करना है। CAAT एक सरल, पूर्व-निर्धारित नियम का उपयोग करता है:

• संपर्क से पहले: जब रोबोट किसी वस्तु की ओर बढ़ रहा होता है, तो CAAT मस्तिष्क को कहता है, "अपनी आँखों पर भरोसा करो!" यह विजुअल जानकारी के महत्व को बढ़ाता है ताकि रोबोट नेविगेट कर सके और खुद को संरेखित (align) कर सके।
• संपर्क के दौरान: जैसे ही रोबोट वस्तु को छूता है, CAAT स्विच बदल देता है। यह कहता है, "अपनी त्वचा पर भरोसा करो!" यह स्पर्श संबंधी जानकारी के महत्व को बढ़ाता है ताकि रोबोट अपनी पकड़ और बल (force) को समायोजित कर सके।

यह कोई जटिल अनुमान नहीं है; यह सिस्टम में बना एक संरचनात्मक नियम है। रोबोट को यह सीखने की ज़रूरत नहीं है कि कब स्विच करना है; सिस्टम इसे स्वचालित रूप से संभालता है कि क्या रोबोट कुछ छू रहा है या नहीं।

उन्होंने क्या पाया: तेज़ सीखना, बेहतर परिणाम

शोधकर्ताओं ने दो तरीकों से CAAT का परीक्षण किया: एक कंप्यूटर सिमुलेशन में और दूसरे एक भौतिक रोबोटिक हाथ के साथ वास्तविक दुनिया में।

सिमुलेशन में:
उन्होंने UniVTAC नामक एक बेंचमार्क का उपयोग किया जिसमें बोतल उठाने या ट्यूब डालने जैसे पांच अलग-अलग कार्य शामिल थे।

• CAAT के बिना, मानक तरीके (केवल विज़न और टच को मिलाना) की औसत सफलता दर लगभग 51.6% थी।
• CAAT के साथ, सफलता दर बढ़कर 69.6% हो गई।
• यह मानक पद्धति की तुलना में 18.0 प्रतिशत अंक और अन्य उन्नत तरीकों की तुलना में 10.0 प्रतिशत अंक का भारी सुधार है जो स्वयं स्विचिंग नियमों को सीखने की कोशिश करते हैं।
• महत्वपूर्ण रूप से, CAAT तब भी सबसे अच्छा काम करता है जब रोबोट को सीखने के लिए बहुत कम डेटा (मात्र 25 प्रदर्शन) दिया गया हो, जिससे साबित होता है कि यह "स्मार्ट स्विचिंग" रोबots को तेज़ी से सीखने में मदद करती है।

वास्तविक दुनिया में:
उन्होंने तीन कठिन कार्यों पर रोबोट का परीक्षण किया: बोतल उठाना, बॉक्स खोलना और पावर बैंक निकालना। उन्होंने तीन अलग-अलग प्रकार के रोबोटिक ब्रेन्स (ACT, Diffusion Policy, और π0) के साथ CAAT का परीक्षण किया।

• मानक "सब कुछ मिला देने वाला" दृष्टिकोण केवल 25% से 36% बार सफल हुआ।
• CAAT के साथ, सफलता दर (उपयोग किए गए ब्रेन के आधार पर) 55% से 66% तक बढ़ गई।
• औसतन, CAAT ने सर्वश्रेष्ठ मौजूदा तरीकों से 21.1 प्रतिशत अंक अधिक प्रदर्शन किया।
• सबसे नाटकीय सुधार "ओपन बॉक्स" कार्य पर देखा गया, जहाँ मानक तरीके लगभग पूरी तरह विफल रहे (10% से 35% सफलता), लेकिन CAAT 50% से 60% बार सफल रहा।

यह क्यों महत्वपूर्ण है

यह शोध पत्र सुझाव देता है कि बेहतर रोबोट मैनिपुलेशन की कुंजी केवल उन्हें अधिक डेटा या बड़े मस्तिष्क देने में नहीं है; बल्कि उन्हें उनके संवेदी कार्यों के बारे में सही "कॉमन सेंस" देने में है। यह स्पष्ट रूप से बताकर कि रोबोट को कब देखना है और कब महसूस करना है, और उसके स्पर्श सेंसरों से उबाऊ बैकग्राउंड शोर को हटाकर, CAAT रोबोट को बहुत अधिक कुशल बनाता है।

लेखकों ने पाया कि यह दृष्टिकोण विभिन्न प्रकार के रोबोटिक ब्रेन्स पर काम करता है, जिसका अर्थ है कि यह एक लचीला उपकरण है जिसे कई मौजूदा प्रणालियों में जोड़ा जा सकता है। हालाँकि, परिणाम काफी आशाजनक हैं, लेकिन शोध पत्र नोट करता है कि ये परीक्षण किए गए विशिष्ट कार्यों (जैसे वस्तुओं को उठाना और डालना) और उपयोग किए गए विशिष्ट रोबोट सेटअप के लिए विशिष्ट हैं। फिर भी, मूल विचार—कि रोबोटों को यह स्पष्ट नियम चाहिए कि उन्हें अपनी आँखों पर कब और अपनी त्वचा पर कब भरोसा करना है—यह संकेत देता है कि यह नाजुक, संपर्क-प्रधान कार्यों को बिना वर्षों के अभ्यास के संभालने के लिए एक शक्तिशाली कदम है।