KOALA: Koopman Operator Learning for WiFi-Based Anticipatory Hum
KOALA एक नवीन फ्रेमवर्क है जो शोर वाले WiFi CSI से सीधे मजबूत, मल्टी-होरिज़न मानव गति भविष्यवाणी (human motion prediction) को सक्षम बनाता है, जहाँ यह पोज़ अनुक्रमों (pose sequences) को एक सीखे हुए कूपमैन लेटेंट स्पेस (Koopman latent space) में ऊपर उठाता है जहाँ गैर-रेखीय गतिकी (nonlinear dynamics) को रेखीय बनाया जाता है, जिससे ऑटोरिग्रेसिव विधियों में होने वाली त्रुटि संचय (error accumulation) से बचा जा जा सकता है और साथ ही सामान्य गतिकीय खामियों को दूर करने के लिए विशिष्ट आर्किटेक्चरल घटकों को पेश किया जाता 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 ऐसे कमरे में फिल्म देखने की कोशिश कर रहे हैं जहाँ लाइटें बंद हैं, दीवारें मोटी हैं और कैमरा टूटा हुआ है। यह उन कई स्मार्ट सिस्टम के लिए दैनिक वास्तविकता है जो मानव गति को समझने के लिए कैमरों पर निर्भर करते हैं। कैमरों को दृष्टि की एक स्पष्ट रेखा (line of sight) की आवश्यकता होती है, वे अंधेरे में संघर्ष करते हैं, और जब उन्हें घरों या अस्पतालों में रखा जाता है तो वे गंभीर गोपनीयता संबंधी चिंताएं भी पैदा करते हैं। वर्षों से, वैज्ञानिक बिना देखे देखने का एक बेहतर तरीका खोजने की कोशिश कर रहे हैं। उन्होंने एक आशाजनक उम्मीदवार खोज निकाला है—हमारे घरों में भरे वाई-फाई संकेतों की अदृश्य तरंगें। ये संकेत हर चीज़ से टकराकर वापस आते हैं, जिसमें लोग भी शामिल हैं, और जैसे-जैसे कोई व्यक्ति हिलता है, संकेतों में होने वाला बदलाव उस गति के एक छिपे हुए हस्ताक्षर (signature) को दर्शाता है। जबकि शोधकर्ताओं ने पहले ही यह पता लगा लिया है कि इन संकेतों का उपयोग यह अनुमान लगाने के लिए कैसे किया जाए कि कोई व्यक्ति अभी कहाँ खड़ा है, एक बहुत कठिन प्रश्न शेष था: क्या एक कंप्यूटर यह अनुमान लगा सकता है कि वह व्यक्ति वहां पहुँचने से पहले कहाँ होने वाला है?
'ट्रांजैक्शंस ऑन मशीन लर्निंग रिसर्च' में प्रकाशित एक नया अध्ययन KOALA नामक एक सिस्टम पेश करता है, जिसे इस प्रश्न का उत्तर देने के लिए डिज़ाइन किया गया है। दो प्रमुख वाई-फाई सेंसिंग डेटासेट्स के डेटा के साथ काम करते हुए, शोधकर्ताओं ने एक ऐसी विधि विकसित की है जो वाई-फाई राउटर से मिलने वाले शोर वाले और अस्थिर संकेतों को मानव गति के एक विश्वसनीय पूर्वानुमान में बदल देती है। पिछले प्रयासों के विपरीत, जो अक्सर केवल पिछले क्षण के आधार पर अगले क्षण का अनुमान लगाने की कोशिश करते थे—एक ऐसी प्रक्रिया जिससे गलतियों का एक सिलसिला शुरू हो जाता है—KOALA एक गणितीय दृष्टिकोण का उपयोग करता है जो पूरे भविष्य को एक एकल, रैखिक पथ (linear path) के रूप में देखता है। यह सिस्टम दो सेकंड तक भविष्य की मानव मुद्राओं (poses) की सटीक भविष्यवाणी करने में सफल रहा है, जिसकी सटीकता मौजूदा तरीकों से कहीं अधिक है, जो यह सिद्ध करता है कि वाई-फाई केवल उपकरणों को जोड़ने के लिए ही नहीं है; यह मानव क्रियाओं का पूर्वानुमान भी लगा सकता है।
वाई-फाई से गति का अनुमान लगाने की चुनौती वीडियो कैमरे से की जाने वाली भविष्यवाणी से मौलिक रूप से भिन्न है। जब एक कैमरा किसी व्यक्ति को रिकॉर्ड करता है, तो वह उनके कंकाल की एक साफ और विस्तृत छवि कैप्चर करता है। हालाँकि, वाई-फाई दुनिया को हस्तक्षेप (interference) के कोहरे के माध्यम से देखता है। जैसे ही कोई व्यक्ति हिलता है, उनके शरीर के अंग रेडियो तरंगों को परावर्तित और बिखेर देते हैं, जिससे संकेतों के बदलाव का एक जटिल पैटर्न बनता है जो अक्सर अधूरा और स्टेटिक (static) से भरा होता है। पिछले सिस्टमों ने इसे केवल वर्तमान स्थिति का अनुमान लगाने की एक सरल समस्या माना, लेकिन वे यह मॉडल करने में विफल रहे कि वह स्थिति समय के साथ कैसे बदलती है। जब शोधकर्ताओं ने इन अव्यवस्थित वाई-फाई संकेतों पर मानक वीडियो-प्रेडिक्शन तकनीकों को लागू करने की कोशिश की, तो त्रुटियाँ तेजी से बढ़ने लगीं। यदि कोई सिस्टम अगले कदम का गलत अनुमान लगाता है, तो वह गलती अगले अनुमान के लिए शुरुआती बिंदु बन जाती है, और भविष्यवाणी तेजी से निरर्थक हो जाती है।
KOALA इस समस्या को हल करने के लिए कंप्यूटर के सोचने के तरीके को बदलकर समाधान करता है। क्रम-दर-क्रम (step-by-step) भविष्य की मुद्रा का अनुमान लगाने के बजाय, यह सिस्टम गतिविधियों के पूरे अनुक्रम को एक विशेष गणितीय स्थान (mathematical space) में ले जाता है जहाँ गति के नियम सरल और सीधे हो जाते हैं। इस स्थान में, मानव शरीर के जटिल और घुमावदार पथ को एक एकल, अपरिवर्तनीय नियम द्वारा वर्णित किया जा सकता है जो भविष्य के प्रत्येक क्षण पर लागू होता है। शोधकर्ताओं ने एक न्यूरल नेटवर्क बनाया है जो अव्यवस्थित वाई-फाई संकेतों को इस स्वच्छ स्थान में अनुवादित करना, नियम को लागू करके समय में आगे बढ़ना, और फिर परिणाम को मानव मुद्रा में वापस बदलना सीखता है। क्योंकि सिस्टम को एक-एक करके कदम का अनुमान नहीं लगाना पड़ता, इसलिए यह उन त्रुटियों के संचय से बच जाता है जो अन्य तरीकों को प्रभावित करती हैं। यह वर्तमान सिग्नल को देख सकता है और तुरंत गणना कर सकता है कि व्यक्ति एक सेकंड, दो सेकंड या उससे भी आगे कहाँ होगा, बिना भविष्यवाणी की गुणवत्ता गिरे।
इसे काम करने के योग्य बनाने के लिए, टीम को एक विशिष्ट समस्या को दूर करना पड़ा जहाँ सिस्टम केवल वर्तमान मुद्रा की नकल करता था और यह दिखावा करता था कि कुछ भी नहीं बदलेगा—एक ऐसा समाधान जो बहुत कम समय के लिए तो काम करता है लेकिन लंबे समय के लिए विफल हो जाता है। उन्होंने इसे ठीक करने के लिए सिस्टम को इस तरह से डिज़ाइन किया कि वह वर्तमान मुद्रा और भविष्य की मुद्रा के बीच के अंतर (difference) की भविष्यवाणी करे, न कि स्वयं मुद्रा की। उन्होंने एक विशेष प्रशिक्षण पद्धति भी जोड़ी जो सिस्टम को विभिन्न समय पैमानों (time scales) में सुसंगत रहने के लिए मजबूर करती है, यह सुनिश्चित करती है कि सीखा गया गणितीय नियम वास्तव में मानव गति को दर्शाता है। परिणाम स्वरूप, एक ऐसा मॉडल प्राप्त हुआ जो स्थिर रहता है, भले ही वाई-फाई सिग्नल शोर वाला हो या वातावरण बदल रहा हो।
शोधकर्ताओं ने KOALA का परीक्षण दो बड़े डेटासेट्स पर किया जिनमें विभिन्न कमरों में लोगों की गति और विभिन्न कार्यों के हजारों उदाहरण शामिल थे। दो-आयामी (2D) गति से संबंधित एक परीक्षण में, सिस्टम ने एक दसवें सेकंड के भविष्य के लिए औसतन केवल 26.14 मिलीमीटर और एक सेकंड के भविष्य के लिए 27.28 मिलीमीटर की त्रुटि के साथ मुद्राओं की भविष्यवाणी की। यह अगले सर्वश्रेष्ठ तरीके की तुलना में एक महत्वपूर्ण सुधार था, जो लगभग 19 प्रतिशत कम सटीक था। तीन-आयामी (3D) गति से संबंधित एक अधिक कठिन परीक्षण में, इसने सभी अन्य दृष्टिकोणों को बड़े अंतर से पीछे छोड़ दिया, और सबसे छोटे समय पैमाने पर सबसे अच्छे प्रतिस्पर्धी तरीके की तुलना में त्रुटि को छह गुना से अधिक कम कर दिया। महत्वपूर्ण रूप से, जैसे-जैसे भविष्यवाणी का समय बढ़ा, त्रुटि धीरे-धीरे और लगातार बढ़ी, जबकि अन्य तरीकों में त्रुटियाँ या तो अचानक बढ़ गईं या इस तरह से स्थिर हो गईं जो यह संकेत देती थीं कि वे वास्तविक गति को ट्रैक करने के बजाय केवल औसत स्थिति का अनुमान लगा रहे थे।
निष्कर्ष बताते हैं कि वाई-फाई संकेतों में इतनी जानकारी होती है कि वे न केवल किसी व्यक्ति का स्थान बता सकते हैं, बल्कि उनकी भविष्य की गतिविधियों का उच्च सटीकता के साथ पूर्वानुमान भी लगा सकते हैं। यह क्षमता स्मार्ट वातावरण के साथ लोगों के जुड़ाव को बदल सकती है, जिससे घरों में सक्रिय सहायता, कारखानों में सुरक्षित मानव-रोबोट सहयोग और स्वास्थ्य देखभाल निगरानी में शीघ्र हस्तक्षेप संभव हो सकेगा। यह सिस्टम बिना किसी सेंसर को पहने या कैमरे द्वारा देखे गए, गोपनीयता बनाए रखते हुए हमेशा सक्रिय और सुनने के लिए उपलब्ध रहता है। हालांकि वर्तमान संस्करण एक एकल व्यक्ति के लिए डिज़ाइन किया गया है और यह मानता है कि वातावरण अपेक्षाकृत स्थिर रहता है, इस दृष्टिकोण की सफलता अधिक जटिल अनुप्रयोगों के द्वार खोलती है। शोधकर्ता उल्लेख करते हैं कि भविष्य का कार्य इसे एक साथ कई लोगों की गतिविधियों की भविष्यवाणी करने या व्यवहार में अधिक अचानक परिवर्तनों को संभालने के लिए विस्तारित कर सकता है, लेकिन मुख्य उपलब्धि अडिग है: एक मशीन ने वाई-फाई सिग्नल के शोर में भविष्य को देखना सीख लिया है।
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।