Zero-Shot Transfer of Force Map Estimation Across GelSight Mini Sensors

रोबोटिक्स की दुनिया में, मशीनों को महसूस करने की क्षमता देना एक ऐसी चुनौती है जो लंबे समय से मानवीय हाथों पर निर्भर रही है। जबकि रोबोट तेजी से परिष्कृत तरीके से देख और सुन सकते हैं, उनकी स्पर्श की भावना अक्सर एक नाजुक, कस्टम-मेड मामला बनी रहती है। शोधकर्ता विशेष सेंसर बनाते हैं जो नरम, रबर जैसी आंखों की तरह दिखते हैं, जो बनावट और दबाव को समझने के लिए वे जो छूते हैं उसकी छवियां कैप्चर करते हैं। हालांकि, इन सेंसरों को बनाना फैक्ट्री लाइन पर एक जैसे पुर्जों को स्टैम्प करने जैसा नहीं है। क्योंकि उन्हें अक्सर प्रयोगशालाओं में हाथ से असेंबल किया जाता है, इसलिए कोई भी दो सेंसर बिल्कुल एक जैसे नहीं होते। किसी का बैकग्राउंड कलर थोड़ा अलग हो सकता है, या किसी का जेल लेयर दूसरे की तुलना में एक अंश मिलीमीटर अधिक मोटा हो सकता है। यह एकरूपता की कमी एक महत्वपूर्ण बाधा उत्पन्न करती है: एक विशिष्ट सेंसर के "महसूस" करने के तरीके को समझने के लिए प्रशिक्षित कंप्यूटर प्रोग्राम अक्सर पूरी तरह से विफल हो जाता है जब उसे एक अलग यूनिट दी जाती है, भले ही वे देखने में लगभग एक जैसे हों। इसे ठीक करने के लिए, वैज्ञानिकों को आमतौर पर हर नए सेंसर को बनाने के साथ बड़ी मात्रा में नया डेटा एकत्र करना पड़ता है और अपने मॉडलों को फिर से प्रशिक्षित करना पड़ता है, जो एक धीमी और महंगी प्रक्रिया है जो रोबोटिक कुशलता की प्रगति को धीमा कर देती है।

एलिसेंटे विश्वविद्यालय के शोधकर्ताओं की एक टीम ने इस चक्र को तोड़ने का एक तरीका प्रस्तावित किया है, जिससे कंप्यूटर एक सेंसर के स्पर्श को पढ़ना सीख सकता है और फिर उस ज्ञान को उसी प्रकार के किसी भी अन्य सेंसर पर लागू कर सकता है, बिना पहले एक भी नया उदाहरण देखे। उनका काम 'जेलसाइट मिनी' (GelSight Mini) नामक एक विशिष्ट प्रकार के उपकरण पर केंद्रित है, जो एक कैमरे का उपयोग एक नरम, पारदर्शी सतह की तस्वीरें लेने के लिए करता है जब उसे वस्तुओं के विरुद्ध दबाया जाता है। जब कोई वस्तु सतह को छूती है, तो यह प्रकाश और छाया का एक अनूटा पैटर्न बनाती है जो संपर्क के आकार और बल को प्रकट करता है। शोधकर्ताओं ने एक दो-चरणीय प्रणाली विकसित की जो पहले स्पर्श की छवि को साफ करती है, यानी विशिष्ट सेंसर के "फिंगरप्रिंट" को हटा देती है, और फिर उस साफ की गई छवि का उपयोग यह गणना करने के लिए करती है कि प्रत्येक दिशा में कितना बल लगाया जा रहा है। ऐसा करके, उन्होंने दिखाया कि केवल एक सेंसर पर प्रशिक्षित मॉडल ने पूरी तरह से अलग सेंसरों पर बलों की सटीक भविष्यवाणी की, यहाँ तक कि उन सेंसरों पर भी जिनके बैकग्राउंड रंग अलग थे, और ऐसी सटीकता हासिल की जो विशेष मार्करों वाले सिस्टम के बराबर है।

उनकी खोज का मूल आधार एक ऐसी विधि है जो सेंसरों के बीच के अंतर को एक बाधा के बजाय अनुवाद की समस्या के रूप रूप में देखती है। कल्पना कीजिए कि आप एक ऐसी कहानी को समझने की कोशिश कर रहे हैं जो ऐसी बोली में लिखी गई है जिसे आप नहीं बोलते; हर नई बोली को शुरू से सीखने के बजाय, आप पहले कहानी को एक मानक भाषा में अनुवाद करते हैं जिसे आप अच्छी तरह जानते हैं, और फिर उसे पढ़ते हैं। शोधकर्ताओं ने स्पर्श संबंधी छवियों पर यही तर्क लागू किया। उन्होंने एक ऐसा सिस्टम बनाया जो एक नए, अपरिचित सेंसर से प्राप्त कच्ची छवि को लेता है और उसे एक "सामान्य" छवि में पुनर्गठित करता है जो एक मानक, आदर्श सेंसर से आई हुई लगती है। यह पहला चरण एक प्रकार के आर्टिफिशियल इंटेलिजेंस का उपयोग करता है जिसे एक एकल सेंसर के छवियों के बड़े संग्रह पर प्रशिक्षित किया गया है, जहाँ मशीन ने स्पर्श की आवश्यक विशेषताओं को पहचानना सीखा जबकि उसने उस एक इकाई के विशिष्ट बैकलाउंड रंग या मामूली खामियों को अनदेखा कर दिया। परिणाम एक साफ, मानकीकृत छवि है जो हार्डवेयर के अनूठे गुणों को हटा देती है, जिससे केवल वस्तु के स्पर्श के बारे में शुद्ध जानकारी शेष रह जाती है।

एक बार जब छवि मानकीकृत हो जाती है, तो सिस्टम का दूसरा चरण कार्यभार संभाल लेता है ताकि भौतिक बलों का निर्धारण किया जा सके। शोधकर्ताओं ने पाया कि केवल पुनर्गठित छवि को देखना पर्याप्त नहीं था; उन्हें यह भी हाइलाइट करने की आवश्यकता थी कि संपर्क वास्तव में कहाँ हुआ। इसे करने के लिए, उन्होंने पुनर्गठित छवि के बैकग्राउंड को मूल छवि से घटा दिया, जिससे एक 'डिफरेंस इमेज' (अंतर वाली छवि) बनी जिसने केवल संपर्क बिंदुओं को दिखाया। इस स्पष्ट, उच्च-कंट्रास्ट वाली छवि को फिर एक दूसरे न्यूरल नेटवर्क में फीड किया गया जो फोर्स मैप (बल मानचित्र) की भविष्यवाणी करने के लिए डिज़ाइन किया गया था। यह नेटवर्क गणना करता है कि तीन आयामों में कितना दबाव लगाया जा रहा है: नीचे की ओर धक्का, और दो दिशाओं में बगल की ओर धक्का। टीम ने 18,000 से अधिक छवियों के डेटासेट का उपयोग करके इस दृष्टिकोण का परीक्षण किया, जहाँ उन्हें पहले उन छोटे, रंगीन मार्करों को हटाना पड़ा जिनका उपयोग मूल रूप से कंप्यूटर को बलों को देखने में मदद करने के लिए किया जाता था। उन्होंने इन मार्करों को डिजिटल रूप से मिटाने के लिए एक एल्गोरिदम बनाया, जिससे स्पर्श की साफ छवियां पीछे रह गईं, और फिर अपने सिस्टम को इन मार्कर-मुक्त छवियों से बलों की भविष्यवाणी करने के लिए प्रशिक्षित किया।

इस प्रयोग के परिणाम आश्चर्यजनक रूप से मजबूत थे। जब सिस्टम का परीक्षण उन सेंसरों पर किया गया जिन्हें उसने पहले कभी नहीं देखा था, जिनमें अलग-अलग बैकग्राउंड रंग और थोड़े अलग भौतिक गुण वाले यूनिट शामिल थे, तो इसने उल्लेखनीय निरंतरता के साथ प्रदर्शन किया। पहले चरण में, जहाँ सिस्टम ने स्पर्श संबंधी छवियों को पुनर्गठित किया, इसने मूल, वास्तविक दुनिया की छवियों के प्रति उच्च स्तर की समानता हासिल की, जिसमें एक स्कोर यह संकेत देता कि पुनर्गठित चित्र संरचना और विवरण के मामले में वास्तविक चित्रों के लगभग अभिन्न थे। दूसरे चरण में, वास्तविक बलों की भविष्यवाणी करते समय, सिस्टम ने त्रुटियां बहुत कम कीं, जो वास्तविक बल से औसतन एक न्यूटन से थोड़ा अधिक का अंतर था। संदर्भ के लिए, एक न्यूटन लगभग एक छोटे सेब के वजन के बराबर है, जिसका अर्थ है कि सिस्टम का अनुमान पूरे सेंसर की सतह पर एक एकल सेब के वजन के आसपास की त्रुटि के साथ था। यह स्तर की सटीकता तब भी प्राप्त की गई जब सिस्टम को उन विशिष्ट सेंसरों के लिए प्रशिक्षित नहीं किया गया था जिन पर इसका परीक्षण किया जा रहा था, जिससे सिद्ध हुआ कि यह पद्धति विभिन्न हार्डवेयर इकाइयों में सामान्यीकरण कर सकती है।

शोधकर्ताओं ने अपने मार्कर-मुक्त दृष्टिकोण की तुलना उन प्रणालियों से भी की जो अभी भी पारंपरिक रंगीन मार्करों का उपयोग करती हैं। उन्होंने पाया कि हालांकि मार्कर त्रुटियों को थोड़ा कम करने में मदद करते हैं, लेकिन अंतर इतना बड़ा नहीं था जो उनके द्वारा पैदा की जाने वाली जटिलता और दृश्य बाधा को उचित ठहरा सके। साफ, मार्कर-मुक्त छवियों पर प्रशिक्षित सिस्टम ने मार्कर वाले सिस्टम के लगभग समान प्रदर्शन किया, जिससे पता चलता है कि इन मार्करों को डिजिटल रूप से हटाना एक सफल रणनीति थी। इसके अलावा, पूरी प्रक्रिया इतनी तेज थी कि इसे वास्तविक समय के अनुप्रयोगों में उपयोग किया जा सके। सिस्टम एक छवि को प्रोसेस कर सकता था और बीस मिलीसेकंड से कम समय में फोर्स मैप आउटपुट कर सकता था, जो कि इन सेंसरों द्वारा छवियों को कैप्चर करने की गति के साथ तालमेल बिठाने के लिए पर्याप्त तेज़ है। यह गति उन रोबोटों के लिए महत्वपूर्ण है जिन्हें अपने वातावरण के प्रति तुरंत प्रतिक्रिया देने की आवश्यकता होती है, जैसे कि एक रोबोटिक हाथ जो किसी नाजुक वस्तु पर अपनी पकड़ को एडजस्ट करता है।

इन सफलताओं के बावजूद, शोधकर्ताओं ने अपने वर्तमान कार्य की सीमाओं को नोट करने में सावधानी बरती। सिस्टम को संघर्ष करना पड़ा जब बल अत्यंत कम, शून्य के करीब, या अत्यंत उच्च, सेंसर की अधिकतम सीमा के करीब थे। इसे बहुत अधिक बल होने पर या जब वस्तु को काफी ताकत से बगल की ओर धकेला जा रहा हो, तो संपर्क क्षेत्र के सटीक आकार की भविष्यवाणी करने में भी कठिनाई हुई। ये वे क्षेत्र हैं जहाँ स्पर्श के भौतिक विज्ञान की समझ अभी भी पूर्ण नहीं है। लेखक सुझाव देते हैं कि भविष्य के सुधारों में विशिष्ट प्रशिक्षण नियम शामिल किए जा सकते हैं ताकि कंप्यूटर को संपर्क की ज्यामिति को बेहतर ढंग से समझने में मदद मिल सके, जिससे यह सुनिश्चित हो सके कि बल की तरह ही स्पर्श का आकार भी सटीक रूप से संरक्षित रहे।

यह कार्य स्पर्श संबंधी संवेदन (tactile sensing) को व्यापक उपयोग के लिए व्यावहारिक बनाने की दिशा में एक महत्वपूर्ण कदम है। यह प्रदर्शित करके कि एक एकल सेंसर पर प्रशिक्षित मॉडल कई अन्यों पर सामान्यीकरण कर सकता है, शोधकर्ताओं ने रोबोटिक स्पर्श के विकास में एक प्रमुख बाधा को दूर कर दिया है। उनकी विधि दिखाती है कि स्पर्श के लिए एक सार्वभौमिक "अनुवादक" बनाना संभव है, जो वास्तविक दुनिया के सेंसरों के अव्यवस्थित, परिवर्तनशील आउटपुट को एक साफ, विश्वसनीय सिग्नल में बदल सकता है जिसे एक रोबोट समझ सके। यह दृष्टिकोण उस विशाल डेटासेट या पूर्ण विनिर्माण स्थितियों की आवश्यकता नहीं करता है जो पहले आवश्यक मानी जाती थीं, जो कि अगली पीढ़ी की मशीनों के लिए एक अधिक लचीला और कुशल मार्ग प्रदान करता है जो वास्तव में दुनिया को महसूस कर सकें।