The Embodiment Gap in Robot Foundation Models
यह सर्वेक्षण रोबोट फाउंडेशन मॉडल्स में "एम्बॉडमेंट गैप" (embodiment gap) की पहचान और विश्लेषण करता है—जो पुन: प्रयोज्य निरूपणों (reusable representations) और उन्हें विभिन्न भौतिक रोबोटों पर निष्पादन के लिए अनुकूलित करने हेतु आवश्यक विशिष्ट कार्य के बीच का महत्वपूर्ण विच्छेद है—विद्यमान विधियों को मैप करके, अनुकूलन रणनीतियों को वर्गीकृत करके, और क्रॉस-एम्बॉडमेंट सामान्यीकरण (cross-embodiment generalization) का बेहतर मूल्यांकन करने के लिए एक व्यापक रिपोर्टिंग ढांचे का प्रस्ताव देकर।
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 एक ऐसी दुनिया की जहाँ रोबोट मानव ज्ञान के विशाल पुस्तकालय से सीख सकें, निर्देशों को पढ़ सकें और वीडियो देखकर यह समझ सकें कि कप कैसे उठाना है, दरवाजा कैसे खोलना है, या कपड़े कैसे छाँटने हैं। यह 'रोबोट फाउंडेशन मॉडल्स' नामक आर्टिफिशियल इंटेलिजेंस की एक नई पीढ़ी का वादा है। ये सिस्टम भारी मात्रा में डेटा पर प्रशिक्षित होते हैं, जो भाषा, दृष्टि और गति को जोड़कर भौतिक दुनिया के काम करने के तरीके की एक सामान्य समझ विकसित करते हैं। उम्मीद यह रही है कि यदि आप एक रोबोट को पर्याप्त उदाहरण प्रदान करें, तो वह एक सार्वभौमिक सहायक बन जाएगा, जो किसी भी रसोई या कार्यशाला में जाकर समझ सकेगा कि क्या करना है। लेकिन एक जिद्दी समस्या है जिसने इन स्मार्ट सिस्टम्स को वास्तविक दुनिया में वास्तव में उपयोगी बनने से रोक रखा है। एक रोबोट केवल एक मस्तिष्क नहीं है; वह एक शरीर भी है। और जबकि मस्तिष्क "पकड़ने" (grasping) की अवधारणा को समझ सकता है, लेकिन एक रोबोट के हाथ के हिलने का विशिष्ट तरीका, वह कितना दबाव डालता है, और किसी चीज़ को छूने पर वह कैसे प्रतिक्रिया करता है, यह पूरी तरह से उस विशिष्ट मशीन के अनूठे आकार और यांत्रिकी (mechanics) पर निर्भर करता है।
एक स्मार्ट, पुन: प्रयोज्य (reusable) मस्तिष्क और एक विशिष्ट, भौतिक शरीर के बीच का यह अंतर ही है जिसे शोधकर्ता "एम्बॉडमेंट गैप" (embodiment gap) कहते हैं। यह एक ऐसे प्लान के बीच का अंतर है जो सिद्धांत में काम करता है और उस योजना को एक वास्तविक मशीन पर लागू करने के लिए आवश्यक कठिन एवं जटिल कार्य के बीच का अंतर है। जापान के नेशनल इंस्टीट्यूट ऑफ एडवांस्ड इंडस्ट्रियल साइंस एंड टेक्नोलॉजी के वैज्ञानिकों का एक नया सर्वेक्षण इस अंतराल का विस्तार से परीक्षण करता है। उनका तर्क है कि जबकि हमने रोबोटों को भाषा और दृष्टि समझने के लिए सिखाने में अविश्वसनीय प्रगति की है, हमने अक्सर उस इंजीनियरिंग कार्य की अनदेखी की है जो उन विचारों को रोबोट की वास्तविक मांसपेशियों और जोड़ों से जोड़ने के लिए आवश्यक है। शोधकर्ताओं ने पाया कि केवल मॉडल्स को बड़ा बनाना या उन्हें अधिक डेटा खिलाना, एक नए शरीर पर रोबोट को सुरक्षित और प्रभावी ढंग से चलाने की समस्या को स्वतः हल नहीं करता है। इसके बजाय, एक सामान्य विचार को एक विशिष्ट, स्थिर गति में अनुवादित करने के लिए महत्वपूर्ण कार्य शेष है।
शोधकर्ताओं ने अपने निष्कर्षों को इस आधार पर व्यवस्थित किया कि कैसे वैज्ञानिकों के विभिन्न समूह इस अंतराल को पाटने का प्रयास कर रहे हैं। उन्होंने तीन मुख्य दृष्टिकोणों की पहचान की। पहला दृष्टिकोण उच्च-स्तरीय विचारों को साझा करने पर केंद्रित है, जैसे किसी कार्य का अर्थ या वस्तु के दृश्य संकेत। उदाहरण के लिए, एक रोबोट वीडियो से सीख सकता है कि एक कप को उठाने की आवश्यकता है। यह उपयोगी तो है, लेकिन रोबोट को अभी भी यह समझना होगा कि अपने हाथ को कप तक पहुँचने के लिए ठीक से कैसे घुमाना है ताकि वह उसे गिरा न दे, और यह कार्य काफी हद तक उसकी भुजा की लंबाई और उसके ग्रिपर के आकार पर निर्भर करता है। दूसरा दृष्टिकोण स्वयं डेटा को मानकीकृत (standardize) करने का प्रयास करता है, जिससे सामान्य प्रारूप बनाए जा सकें ताकि एक रोबोट के अनुभवों का उपयोग दूसरे को प्रशिक्षित करने के लिए किया जा सके। हालांकि इससे रोबोट तेजी से सीखने में मदद मिलती है, शोधकर्ताओं ने पाया कि मानकीकृत डेटा के बावजूद, एक नए रोबोट की भौतिक वास्तविकता अक्सर कमांड भेजने और गतिविधियों को निष्पादित करने के तरीके में समायोजन की मांग करती है। तीसरा दृष्टिकोण रोबोटों को विभिन्न शरीरों के बीच के संबंध को समझने के लिए प्रशिक्षित करने का प्रयास करता है, यह सीखते हुए कि मानव हाथ या किसी अन्य रोबोट की गति को वर्तमान मशीन के लिए उपयुक्त गति में कैसे अनुवादित किया जाए।
इन चतुर रणनीतियों के बावजूद, सर्वेक्षण एक निरंतर पैटर्न को प्रकट करता है: कोई भी विधि वास्तविक भौतिक गति के जितने करीब पहुँचती है, उसे विभिन्न रोबोटों के बीच पुन: उपयोग करना उतना ही कठिन होता जाता है। जब एक रोबोट किसी वस्तु को पकड़ना सीख रहा होता है, तो सफलता और विफलता के बीच का अंतर अक्सर घर्षण (friction), संपर्क के सटीक कोण, या फिसलने पर रोबोट कैसे संभलता है, जैसे सूक्ष्म विवरणों पर निर्भर करता है। ये वे समस्याएँ नहीं हैं जिन्हें केवल कंप्यूटर मॉडल में अधिक डेटा जोड़कर हल किया जा सकता है। इनके लिए सावधानीपूर्वक अंशांकन (calibration), सुरक्षा जाँच और अक्सर, चीजें गलत होने पर सुधार के लिए मानवीय हस्तक्षेप की आवश्यकता होती है। लेखक बताते हैं कि कई शोध पत्र इन प्रणालियों के लिए उच्च सफलता दर तो रिपोर्ट करते हैं, लेकिन उन्हें प्राप्त करने के लिए किए गए छिपे हुए कार्य का उल्लेख करने में विफल रहते हैं। एक रोबोट किसी कार्य में 90 प्रतिशत बार सफल हो सकता है, लेकिन यदि उस सफलता के लिए शोधकर्ताओं को लगातार रोबोट को रीसेट करना पड़ा, कैमरे को मैन्युअल रूप से समायोजित करना पड़ा, या उसे हर कुछ मिनटों में टकराने से रोकना पड़ा, तो वह सिस्टम वास्तविक दुनिया के उपयोग के लिए तैयार नहीं है।
इसे संबोधित करने के लिए, शोधकर्ता परिणामों को रिपोर्ट करने का एक नया तरीका प्रस्तावित करते हैं। केवल अंतिम सफलता प्रतिशत सूचीबद्ध करने के बजाय, वे सुझाव देते हैं कि वैज्ञानिकों को यह भी रिपोर्ट करना चाहिए कि वहां तक पहुँचने के लिए कितने कार्य की आवश्यकता थी। इसमें यह विवरण भी शामिल है कि रोबोट को कितनी बार रीसेट करना पड़ा, सुरक्षा बनाए रखने के लिए कितने मानवीय सहयोग की आवश्यकता थी, और नए शरीर के अनुकूल बनाने के लिए सिस्टम को कैसे समायोजित किया गया। वे एक सरल चेकलिस्ट और एक "एडेप्टेशन कर्व" (adaptation curve) नामक एक दृश्य उपकरण पेश करते हैं, जो यह दर्शाता है कि रोबोट को अनुकूलित करने में अधिक कार्य करने पर प्रदर्शन में कैसे सुधार होता है। यह पारदर्शिता महत्वपूर्ण है क्योंकि यह इंजीनियरों और जनता को तैनाती की वास्तविक लागत देखने की अनुमति देती है। यह ध्यान केवल स्मार्ट मस्तिष्क बनाने से हटाकर ऐसे सिस्टम बनाने की ओर स्थानांतरित करता है जो वास्तविक, अप्रत्याशित दुनिया में विश्वसनीय रूप से और सुरक्षित रूप से कार्य कर सकें।
सर्वेक्षण यह निष्कर्ष निकालता है कि हालांकि एक सार्वभौमिक रोबोट का दृष्टिकोण पहुंच के भीतर है, लेकिन आगे का रास्ता इन प्रणालियों के बारे में हमारे सोचने के तरीके में बदलाव की मांग करता है। हम केवल डेटा और मॉडल्स को बढ़ाने (scaling up) पर निर्भर नहीं रह सकते। रोबोटिक्स के भौतिक चुनौतियों को हल करने के लिए। रोबोट लर्निंग का भविष्य एक साझा मस्तिष्क को एक विशिष्ट शरीर से जोड़ने के इंजीनियरिंग कार्य को शामिल करना होना चाहिए, यह सुनिश्चित करते हुए कि एक रोबोट न केवल कार्य को समझ सके बल्कि उसे सुरक्षित रूप से निष्पादित भी कर सके और गलतियों से उबर सके। अनुकूलन के छिपे हुए कार्य को दृश्यमान बनाकर, शोधकर्ता इस क्षेत्र को ऐसे रोबोट बनाने की दिशा में मार्गदर्शन करने की आशा करते हैं जो न केवल स्मार्ट हों, बल्कि वास्तव में हमारे साथ काम करने के लिए तैयार हों।
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।