Tactus: Open-Vocabulary Object Recognition from Low-Cost Pressure Arrays
टैक्टस (Tactus) एक ओपन-वोकेबुलरी टैक्टाइल रिकग्निशन मॉडल है जो केवल 187 लेबल किए गए रिकॉर्डिंग का उपयोग करके STAG बेंचमार्क पर अत्याधुनिक प्रदर्शन प्राप्त करने के लिए कम लागत वाले रेजिस्टिव प्रेशर एरेज़ पर मास्क्ड ऑटोएनकोडर प्रीट्रेनिंग का लाभ उठाता है, जो यह प्रदर्शित करता है कि प्रभावी स्पर्श-आधारित वस्तु पहचान के लिए ऑप्टिकल सेंसर या बड़े पैमाने पर सुपरवाइज्ड डेटासेट की आवश्यकता नहीं होती 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
स्पर्श की गुप्त भाषा
एक ऐसे रोबोट की कल्पना करें जो दुनिया को पूरी तरह से देख सकता है लेकिन हाथ मिलाने के अहसास से अंधा है। वह मेज पर रखे कॉफी मग को देख सकता है, लेकिन यदि वह मग को पकड़ता है और कैमरा किसी पर्दे से ढक जाता है, तो रोबोट अचानक खो जाता है। उसे नहीं पता होता कि उसने मग पकड़ा है, एक गेंद, या कुछ भी नहीं। यहीं पर "टैक्टाइल सेंसिंग" (स्पर्श संवेदन) काम आती है—मशीनों को स्पर्श की भावना देने का विज्ञान। लंबे समय से, शोधकर्ता रोबोट को नरम, स्पंजी जेल के भीतर फैंसी कैमरों का उपयोग करके अपनी उंगलियों से "देखना" सिखाने की कोशिश कर रहे हैं। लेकिन ये महंगे और नाजुक होते हैं। हालाँकि, वास्तविक दुनिया सस्ते, टिकाऊ प्रेशर सेंसर (दबाव सेंसरों) से भरी हुई है जो स्मार्ट ग्लव्स से लेकर रोबोटिक हाथों तक हर जगह पाए जाते हैं। ये सेंसर तस्वीरें नहीं लेते; वे बस यह मापते हैं कि अलग-अलग बिंदुओं पर कितना दबाव पड़ रहा है। वैज्ञानिक एक बड़ा सवाल पूछ रहे हैं: क्या हम एक रोबोट को इन सरल दबाव मानचित्रों (प्रेशर मैप्स) को पढ़कर यह समझने में सक्षम बना सकते हैं कि उसने क्या पकड़ा है, और क्या वह ऐसा बिना किसी विशिष्ट वस्तुओं की सूची को याद किए कर सकता है? दूसरे शब्दों में, क्या वह एक दबाव मानचित्र को देखकर कह सकता है, "यह एक मग जैसा महसूस होता है," स्पर्श की भाषा को समझकर?
टैक्टस (Tactus): एक रोबोट को दबाव "पढ़ना" सिखाना
यहाँ टैक्टस (Tactus) आता है, एक नया AI मॉडल जो दबाव की शांत भाषा और मनुष्यों की बोली जाने वाली भाषा के बीच एक अनुवादक के रूप में कार्य करता है। शोधकर्ताओं ने इस मॉडल को केवल एक कम लागत वाले प्रेशर सेंसर के डेटा का उपयोग करके पाठ संबंधी प्रश्नों का उत्तर देने के लिए बनाया है। कल्पना कीजिए कि आपके पास एक दस्ताना है जिसमें 548 छोटे दबाव बिंदु (जिन्हें "टैक्सल्स" कहा जाता है) हैं। जब आप किसी चीज़ को पकड़ते हैं, तो ये बिंदु एक तारों भरी रात के आकाश की तरह चमक उठते हैं, जो दिखाते हैं कि कहाँ दबाव अधिक है और कहाँ कम है। टैक्टस इस "स्टार मैप" को देखता है और "एक मानव हाथ द्वारा मजबूती से मग को पकड़ना" जैसे टेक्स्ट विवरणों से इसकी तुलना करके अनुमान लगाने की कोशिश करता है कि आप क्या पकड़े हुए हैं।
टैक्टस के बारे में सबसे आश्चर्यजनक बात यह है कि इसे सीखने के लिए बहुत कम डेटा की आवश्यकता पड़ी। आमतौर पर, AI मॉडल को किसी कार्य में कुशल होने के लिए लाखों उदाहरणों की आवश्यकता होती है। हालाँकि, टैक्टस ने केवल 187 रिकॉर्डिंग्स से सीखा, जिसमें हाथ द्वारा 27 अलग-अलग वस्तुओं को पकड़ने की प्रक्रिया शामिल थी। इसे सफल बनाने के लिए, शोधकर्ताओं ने एक चतुर तरीका अपनाया: पहले उन्होंने AI को 144,000 बिना लेबल वाले प्रेशर मैप्स के बारे में "दिन में सपने देखने" (daydreaming) दिया, जिससे उसे चित्र के लापता हिस्सों को भरने में मदद मिली (एक तकनीक जिसे मास्क ऑटोएनकोडर प्रीट्रेनिंग कहा जाता है)। फिर, उन्होंने इस "स्पर्श मस्तिष्क" को एक विशाल, प्री-ट्रेंड लैंग्वेज मॉडल से जोड़ा जो पहले से ही शब्दों को समझना जानता है। परिणाम? टैक्टस 77.1% सटीकता (top-1) के साथ वस्तु का अनुमान लगा सकता है, जो उन बहुत अधिक जटिल सिस्टम के समान या कभी-कभी उनसे भी बेहतर है जिन्हें विशेष रूप से केवल उन 27 वस्तुओं को पहचानने के लिए प्रशिक्षित किया गया था। यह बिना किसी प्रशिक्षित क्लासिफायर हेड के हासिल किया गया है; इसके बजाय, यह रैंक करता है कि दबाव आपके द्वारा टाइप किए गए शब्दों के प्रति कितना सटीक महसूस होता है।
सफलता का नुस्खा (और छिपा हुआ जाल)
टीम ने पाया कि टैक्टस की सफलता का रहस्य कोई फैंसी नया कंप्यूटर आर्किटेक्चर नहीं था, बल्कि कुछ उबाऊ, व्यावहारिक विवरणों को ठीक करना था। उन्होंने पाया कि उनके द्वारा उपयोग किए जा रहे सेंसर में एक "रेस्टिंग नॉइज़" (विश्राम शोर) था—एक आधारभूत दबाव जो वास्तव में शून्य नहीं था। यदि उन्होंने इसके लिए सुधार नहीं किया होता, तो AI अनिवार्य रूप से एक ऐसे चित्र से सीखने की कोशिश कर रहा होता जो 97% ग्रे था और केवल 3% दिलचस्प था। एक बार जब उन्होंने डेटा को साफ करने के लिए सेंसर के अपने कैलिब्रेशन गणित को लागू किया, तो मॉडल का प्रदर्शन नाटकीय रूप से बढ़ गया। यह एकल सुधार AI के मस्तिष्क की संरचना में किए गए सभी परिवर्तनों से अधिक महत्वपूर्ण था।
उन्होंने यह भी सीखा कि AI को हाथ द्वारा वस्तु को पकड़ने की पूरी फिल्म देखने की आवश्यकता नहीं है। हालांकि हाथ के स्पर्श के कुछ अलग कोण देखना मददगार होता है, लेकिन केवल दो अलग-अलग फ्रेम ही उस सटीकता का 89% हिस्सा वापस ला सकते थे जो आठ फ्रेम देखने से मिलती। यह सुझाव देता है कि एक रोबंतु को यह जानने के लिए कि उसने क्या पकड़ा है, लंबी वीडियो की आवश्यकता नहीं है; उसे बस स्पर्श के कुछ त्वरित, अलग स्नैपशॉट की आवश्यकता है।
AI कहाँ गलती करता है (और क्यों यह AI की गलती नहीं है)
अपनी सफलता के बावजूद, टैक्टस पूर्ण नहीं है। शोधकर्ताओं ने इसकी गलतियों का विश्लेषण किया और पाया कि कुछ दिलचस्प है: AI इसलिए भ्रमित नहीं होता क्योंकि शब्द समान हैं। उदाहरण के लिए, यह "मग" और "कप" के बीच भ्रमित नहीं होता क्योंकि शब्द सुनने में एक जैसे हैं। इसके बजाय, यह इसलिए भ्रमित होता है क्योंकि महसूस होना समान है। यह अक्सर एक "किवानो" (एक कांटेदार फल) को "चेन" (जंजीर) समझ लेता है क्योंकि दोनों हाथ में अलग-अलग, सख्त बिंदुओं के समूह की तरह महसूस होते हैं। यह "स्क्रूड्राइवर" को "मग" समझ लेता है क्योंकि दोनों एक लंबे, पतले बेलनाकार आकार की तरह महसूस होते हैं। त्रुटियाँ स्पर्श के भौतिक विज्ञान (physics) के बारे में हैं, भाषा के बारे में नहीं।
पेपर में कुछ ऐसे विचारों का भी परीक्षण किया गया जो काम नहीं आए, जो उतना ही महत्वपूर्ण है। उन्होंने AI को एक ही समय में विभिन्न प्रकार के सेंसरों के डेटा पर प्रशिक्षित करने की कोशिश की, इस उम्मीद में कि यह एक सार्वभौमिक "स्पर्श भाषा" सीख लेगा। इसने ऐसा नहीं किया; वास्तव में, इसने मॉडल को और खराब कर दिया। उन्होंने AI को वस्तुओं की तस्वीरें देखते हुए उन्हें महसूस करने के लिए भी सिखाने की कोशिश की, लेकिन दृश्य जानकारी इतनी भ्रामक (बैकग्राउंड या स्वयं हाथ को दिखाना) थी कि उसने स्पर्श की इंद्रियों को भ्रमित कर दिया। यहाँ सबक यह है कि इन सस्ते प्रेशर सेंसरों के लिए, सब कुछ मिलाने की कोशिश करने के बजाय एक ही प्रकार के सेंसर का उपयोग करना और डेटा को पूरी तरह से साफ करना बेहतर है।
निष्कर्ष
टैक्टस सिद्ध करता है कि मशीन को स्पर्श की भावना देने के लिए आपको महंगे, कैमरे से भरे रोबोटिक हाथों की आवश्यकता नहीं है। एक सस्ते प्रेशर सेंसर, थोड़े स्मार्ट डेटा क्लीनिंग और एक लैंग्वेज मॉडल के जुड़ाव के साथ, एक रोबोट दबाव मानचित्र को पढ़कर समझ सकता है कि उसने क्या पकड़ा है। यह एक याद दिलाता है कि कभी-कभी, AI में सबसे बड़ी सफलताएँ बड़े दिमाग बनाने के बारे में नहीं, बल्कि उन सरल संकेतों को अधिक ध्यान से सुनने के बारे में होती हैं जो दुनिया पहले से ही भेज रही है। यह मॉडल अब उपयोग के लिए खुला है, जिसे आप अपने रोबोट की स्मृति में प्लग कर सकते हैं और पूछना शुरू कर सकते हैं, "मैं क्या पकड़े हुए हूँ?"
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।