BooST: Bridging Semantics and Motions for Efficient Skill Transfer
बूस्ट (BooST) एक दो-चरणीय ढांचा है जो एक क्रॉस-मोडल VQ-VAE के माध्यम से उच्च-स्तरीय सिमेंटिक इंटेंट और निम्न-स्तरीय मोशन डायनेमिक्स के बीच के अंतर को पाटकर एक एकीकृत कौशल प्रतिनिधित्व (unified skill representation) बनाता है, जिससे वास्तविक दुनिया में रोबोट तैनाती के लिए कुशल फ्यू-शॉट अनुकूलन, क्रॉस-डोमेन ट्रांसफर और मजबूती सक्षम 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
कल्पना कीजिए कि आप एक रोबोट को घर के काम करना सिखाने की कोशिश कर रहे हैं। आप इसे हर एक कार्य के लिए हर एक सूक्ष्म गति दिखाने की कोशिश कर सकते हैं—जैसे किसी बच्चे को जूते के फीते बांधना सिखाने के लिए हर सेकंड हर उंगली के सटीक कोण का वर्णन करना। इसमें बहुत समय लगता है और यह तब ठीक से काम नहीं करता जब जूते का रंग अलग हो या कमरा बिखरा हुआ हो। यह रोबोट लर्निंग (robot learning) की एक बड़ी पहेली है: हम मशीनों को बिना लाखों घंटों के अभ्यास के स्मार्ट और लचीला कैसे बनाएं?
वैज्ञानिकों ने इसे "कौशल" (skills) सिखाकर हल करने की कोशिश की है। एक कौशल को एक पहले से बनी रेसिपी या डांस मूव की तरह समझें। एक रोबोट को शुरुआत से कदम-दर-कदम चलना सीखने के बजाय, वह एक "चलने का कौशल" सीखता है जिसे वह दोबारा उपयोग कर सकता है। लेकिन इसमें एक पेच है। कुछ तरीके रोबोट को सिखाते हैं कि कैसे हिलना है (मांसपेशियों की स्मृति/muscle memory), लेकिन वे यह नहीं समझते कि उसे क्या करना है (लक्ष्य)। अन्य तरीके लक्ष्य को पूरी तरह से समझते हैं लेकिन उन्हें यह नहीं पता होता कि वहां तक पहुँचने के लिए शरीर को वास्तव में कैसे हिलाना है। यह एक ऐसे शेफ की तरह है जो जानता है कि केक का स्वाद कैसा होना चाहिए लेकिन उसे सामग्री कैसे मिलानी है, इसका कोई अंदाजा नहीं है, या एक ऐसे बेकर की तरह जो कुछ भी मिला सकता है लेकिन उसे नहीं पता कि केक कैसा दिखना चाहिए। रोबोट को हमारे अव्यवस्थित, अप्रत्याशित वास्तविक संसार में वास्तव में उपयोगी बनाने के लिए, हमें एक ऐसा तरीका खोजने की आवश्यकता है जिससे हम "क्या" और "कैसे" दोनों को एक साथ सिखा सकें, ताकि वे नए कार्यों को जल्दी सीख सकें और काउंटर पर कूदती हुई बिल्ली जैसे विकर्षणों को अनदेखा कर सकें।
यहीं पर BooST (Bridging Semantics and Motions for Efficient Skill Transfer) नामक एक नया फ्रेमवर्क आता है। BooST के पीछे के शोधकर्ताओं ने महसूस किया कि रोबोट को कुशल बनाने के लिए, उन्हें "क्या करना है" और "कैसे करना है" को अलग-अलग समस्याओं के रूप में देखना बंद करना होगा। उन्होंने एक दो-चरणीय प्रशिक्षण प्रणाली बनाई है जो एक गुरु द्वारा प्रशिक्षु (apprentice) को सिखाने की तरह काम करती है।
पहले चरण में, जिसे यूनिफाइड स्किल प्रीट्रेनिंग (Unified Skill Pretraining) कहा जाता है, BooST रोबोटिक वीडियो के एक विशाल पुस्तकालय (कुल 76,000 एपिसोड) से सीखता है। यह एक विशेष "अनुवादक" का उपयोग करता है जो दो चीजों को एक साथ देखता है: दृश्य दृश्य (visual scene) और भाषाई निर्देश (जैसे "सेब उठाओ") ताकि इरादे (intent) को समझा जा सके, और वास्तविक रोबोटिक गतिविधियाँ ताकि गतिकी (dynamics) को समझा जा सके। कल्पना कीजिए कि एक रोबोट किसी को कप उठाते हुए वीडियो देख रहा है। BooST केवल हाथ को हिलते हुए नहीं देखता; वह समझता है कि लक्ष्य कप को उठाना है, और वह सीखता है कि पृष्ठभूमि में कुत्ता दौड़ रहा हो या रोशनी बदल गई हो, तो उसे कैसे अनदेखा करना है। वह इस सारी जानकारी को एक संक्षिप्त "स्किल कोड" (skill code) में संकुचित कर देता है—एक डिजिटल शॉर्टहैंड जो क्रिया के सार को पकड़ लेता है।
दूसरे चरण में, डाउनस्ट्रीम अडैप्टेशन (Downstream Adaptation), इस भारी, स्मार्ट ज्ञान को एक हल्के, तेज़ 'पॉलिसी' में रूपांतरित किया जाता है। यह एक मास्टर शेफ के वर्षों के अनुभव को एक सरल, आसानी से पालन करने योग्य रेसिपी कार्ड में बदलने जैसा है जिसे एक नौसिखिया तुरंत उपयोग कर सके। जब रोबोट एक नए कार्य का सामना करता है जिसमें बहुत कम उदाहरण होते हैं (वास्तविक दुनिया के परीक्षणों में केवल 5 प्रदर्शन), तो उसे सब कुछ फिर से सीखने की आवश्यकता नहीं होती। वह बस अपने "स्किल कोडबुक" को देखता है, सही चाल चुनता है, और तेजी से अनुकूलित हो जाता है।
शोध से पता चलता है कि यह दृष्टिकोण अविश्वसनीय रूप से अच्छा काम करता है। कंप्यूटर सिमुलेशन में, BooST ने अन्य तरीकों को, विशेष रूप से तब बेहतर प्रदर्शन किया जब डेटा कम था। उदाहरण के लिए, किसी कार्य के केवल 10 प्रदर्शन दिए जाने पर, BooST नए परिदृश्यों में अनुकूलित होने में दूसरे सबसे अच्छे तरीके से 140% बेहतर था। इससे भी अधिक प्रभावशाली बात यह है कि शोधकर्ताओं ने इसका परीक्षण एक वास्तविक रोबोटिक आर्म (एक UR3) पर किया जो प्रशिक्षण डेटा एकत्र करने के लिए उपयोग किए गए रोबोट (एक Franka Emika Panda) से अलग था। शरीर के प्रकार और मूवमेंट स्टाइल में अंतर के बावजूद, BooST ने कौशल को सफलतापूर्वक स्थानांतरित किया, और प्रति कार्य केवल 5 प्रदर्शनों के साथ उच्च सफलता दर प्राप्त की।
शोधकर्ताओं ने यह भी परीक्षण किया कि रोबोट अराजकता को कितनी अच्छी तरह संभालता है। उन्होंने प्रशिक्षण वीडियो में चलते-फिरते, ध्यान भटकाने वाली वस्तुएं (जैसे घूमता हुआ मानव आकृति) जोड़ीं। जबकि अन्य तरीके शोर से भ्रमित हो गए और सही चालें सीखने में विफल रहे, BooST अपने कार्य पर केंद्रित रहा, जिससे यह सिद्ध हुआ कि वह अप्रासंगिक दृश्य विकर्षणों को अनदेखा कर सकता है। अध्ययन बताता है कि लक्ष्य को समझने और गति में महारत हासिल करने के बीच की खाई को पाटकर, रोबắt अधिक अनुकूलनीय, मजबूत और वास्तविक दुनिया के लिए तैयार हो सकते हैं, और वह भी पहले की तुलना में बहुत कम कंप्यूटिंग पावर और डेटा का उपयोग करके।
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।