💻 computer science

ODG-NoMaD: Overhead-Camera Direction-Guided NoMaD

ODG-NoMaD, ओवरहेड-कैमरा से प्राप्त वैश्विक दिशा मार्गदर्शन को अपनी डिफ्यूजन-आधारित अन्वेषण प्रक्रिया में एकीकृत करके NoMaD विजन-नेविगेशन पॉलिसी को उन्नत करता है, जो बिना किसी पॉलिसी रिट्रेनिंग के अनदेखे वातावरण में लक्ष्य की दूरी को काफी कम करता है और टकराव-मुक्त नेविगेशन सुनिश्चित करता है।

मूल लेखक: Blossom Treesa Bastian, Keerthi S. Shetty, Manish Kolachalam, Rani Malhotra, Ashish Dutta

प्रकाशित 2026-08-25

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Blossom Treesa Bastian, Keerthi S. Shetty, Manish Kolachalam, Rani Malhotra, Ashish Dutta

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 एक रोबोट को एक ऐसे कमरे में भेजा गया है जिसे उसने पहले कभी नहीं देखा है, उसे फर्श पर एक विशिष्ट स्थान खोजने का कार्य दिया गया है। रोबोट के पास कोई मानचित्र नहीं है, कोई निर्देश नहीं हैं, और न ही कोई मार्गदर्शन करने वाला है। वह केवल अपनी आँखों के सामने मौजूद एक एकल कैमरे के माध्यम से सीधे अपने सामने देख सकता है। ऐसी स्थिति में, अन्वेषण (explore) करने के लिए प्रशिक्षित एक रोबोट एक नए शहर में बिना दिशा-सूचक यंत्र (compass) के घूमने वाले व्यक्ति की तरह व्यवहार करता है: वह आगे बढ़ता है, दीवार से टकराने पर मुड़ता है, और कभी-कभी उन जगहों पर वापस लौट आता है जहाँ वह पहले जा चुका होता है। वह शुद्ध भाग्य के भरोसे लक्ष्य तक पहुँच सकता है, लेकिन अक्सर, वह कमरे के स्थानीय कोनों में फँसा हुआ बिना किसी उद्देश्य के भटकता रहता है, क्योंकि वह इस बात को समझने में असमर्थ होता है कि उसे कहाँ जाना है। यह अज्ञात स्थानों में स्वायत्त नेविगेशन (autonomous navigation) की मुख्य चुनौती है: रोबोट को तत्काल बाधाओं से बचने के लिए स्थानीय प्रतिक्रियात्मक क्षमता (local reflexes) देने के साथ-साथ एक दूर के गंतव्य तक पहुँचने के लिए वैश्विक जागरूकता (global awareness) कैसे प्रदान की जाए।

शोधकर्ताओं ने शक्तिशाली लर्निंग-आधारित प्रणालियाँ विकसित की हैं जो रोबोट को सख्त नियमों के साथ प्रोग्राम करने के बजाय हजारों उदाहरणों को देखकर चलना सीखने की अनुमति देती हैं। ऐसा ही एक सिस्टम, जिसे NoMaD के रूप में जाना जाता है, दो चीजों में बहुत अच्छा है: किसी चित्र को देखकर एक विशिष्ट लक्ष्य तक पहुँचना, और लक्ष्य दिए बिना एक अज्ञात क्षेत्र का अन्वेषण करना। हालाँकि, इसके अन्वेषण मोड में, सिस्टम में दिशा का बोध नहीं होता है। यह कई संभावित पथ उत्पन्न करता है, लेकिन वैश्विक मार्गदर्शक के बिना, यह नहीं बता सकता कि कौन सी दिशा लक्ष्य की ओर ले जाती है। यह प्रतिक्रियात्मक (reactive) है, जिसका अर्थ है कि यह वही देखता है जो अभी उसके सामने है, लेकिन यह रणनीतिक नहीं है। इसे हल करने के लिए, इंफोसिस और भारतीय प्रौद्योगिकी संस्थान कानपुर के शोधकर्ताओं की एक टीम ने एक नया तरीका बनाया है जो रोब-ोट की चलने की सीखी हुई क्षमता को कमरे के ऊपर से देखे गए एक सरल, एकमुश्त दृश्य के साथ जोड़ता है।

नया दृष्टिकोण, जिसे ODG-NoMaD कहा जाता है, रोबोट को शुरू करने से पहले छत पर लगे कैमरे से पूरे कार्यक्षेत्र की एक संक्षिप्त झलक देकर काम करता है। यह ओवरहेड कैमरा एक एकल डेप्थ इमेज (depth image) लेता है, जो वस्तुओं की दूरी मापता है, और इसका उपयोग कमरे का टॉप-डाउन मैप बनाने के लिए करता है। यह मानचित्र दिखाता है कि दीवारें कहाँ हैं, फर्नीचर कहाँ स्थित है, और खुला फर्श कहाँ है। इस मानचित्र का उपयोग करके, एक कंप्यूटर प्लानर रोबोट के शुरुआती बिंदु से लक्ष्य तक एक सुरक्षित, सीधी रेखा वाला पथ बनाता है। इस पथ को फिर सरल निर्देशों में विभाजित किया जाता है, जो रोबोट को किसी भी दिए गए क्षण में यह बताता है कि उसे किस दिशा में जाना है। महत्वपूर्ण नवाचार यह है कि इस वैश्विक दिशा का उपयोग रोबोट के अपने निर्णय लेने की प्रक्रिया को बदलने के लिए नहीं किया जाता है। इसके बजाय, इसे चलते समय रोबोट के मौजूदा लर्निंग मॉडल में धीरे से इंजेक्ट (inject) किया जाता है। रोबोट अभी भी फर्श को देखने और तत्काल टक्करों से बचने के लिए अपने स्वयं के कैमरे का उपयोग करता है, लेकिन अब उसके पास सही दिशा की ओर खींचने वाला एक सूक्ष्म झुकाव (subtle bias) है।

शोधकर्ताओं ने इस प्रणाली का परीक्षण एक सिम्युलेटेड कार्यालय वातावरण में किया, जो एक ऐसा स्थान है जिसमें मेज, कुर्सियाँ और बिन (bins) भरे हुए हैं, जैसा कि वास्तविक कार्यस्थल में पाया जा सकता है। उन्होंने इस नई पद्धति की तुलना रोबोट के मानक, बिना मार्गदर्शन वाले संस्करण और एक अन्य सिस्टम से की जो रोबोट को सीधे लक्ष्य की ओर इशारा करके निर्देशित करने का प्रयास करता है। परिणामों ने एक नाटकीय अंतर दिखाया। बिना किसी मार्गदर्शन के, मानक रोबोट रास्ते से भटक गया और अधिकांश प्रयासों में लक्ष्य से दूर रुक गया। हालाँकि, नई पद्धति ने हर एक प्रयास में रोबोट को लक्ष्य तक सफलतापूर्वक पहुँचाया, और अनगाइडेड (unguided) संस्करण की तुलना में लक्ष्य से रह जाने वाली औसत दूरी को लगभग सात गुना कम कर दिया। इसने उस सिस्टम से भी बेहतर प्रदर्शन किया जो सीधे लक्ष्य की ओर इशारा करता था, क्योंकि नई पद्धति ने रोबोट को एक एकल बिंदु की ओर मजबूर करने के बजाय एक सामान्य दिशा में निर्देशित किया, जिससे यह लचीला और अनुकूलनीय बना रहा।

शायद सबसे महत्वपूर्ण खोज यह थी कि सिस्टम ने आश्चर्यों को कैसे संभाला। कुछ परीक्षणों में, शोधकर्ताओं ने ओवरहेड मैप बनाए जाने और पथ की योजना बनाने के बाद कमरे में नई बाधाएं रखीं। ये बाधाएं मानचित्र पर नहीं थीं, इसलिए रोबोट को पता नहीं चल सकता था कि वे वहाँ हैं। मानक गाइडेड रोबोट, जो केवल पूर्व-निर्धारित पथ पर निर्भर था, सीधे इन नई वस्तुओं से टकराने की कोशिश करता। हालाँकि, पूर्ण ODG-NoMaD सिस्टम ने एक दूसरा, रीयल-टाइम चेक उपयोग किया। जैसे ही रोबोट चलता, वह अपने स्वयं के ऑनबोर्ड कैमरे का उपयोग करके अपने ठीक सामने के फर्श को स्कैन करता। यदि इसने निर्धारित पथ को अवरुद्ध करने वाली एक नई बाधा का पता लगाया, तो यह तुरंत एक सुरक्षित मोड़ (detour) की गणना करता, लक्ष्य की ओर अपनी सामान्य दिशा बनाए रखते हुए वस्तु के चारों ओर मुड़ जाता। इसने रोबोट को लक्ष्य तक पहुँचने में सक्षम बनाया, भले ही प्रारंभिक मानचित्र बनने के बाद वातावरण बदल गया हो।

यह अध्ययन प्रदर्शित करता है कि यह संभव है कि एक लर्निंग-आधारित रोबोट को उसे फिर से प्रशिक्षित किए बिना या उसे नए नियम सिखाए बिना वैश्विक दिशा का बोध कराया जा सके। केवल एक बार के ओवरहेड दृश्य और तत्काल बाधाओं की जाँच करने के तरीके को जोड़कर, शोधकर्ताओं ने एक भटकते हुए अन्वेषक को एक उद्देश्यपूर्ण नेविगेटर में बदल दिया। यह प्रणाली पूरी तरह से रोबोट के चलते समय काम करती है, इसके पूर्व-प्रशिक्षित मॉडल का बिल्कुल वैसे ही उपयोग करती है जैसा वह था, लेकिन इसके विकल्पों को एक सूक्ष्म, वैश्विक धक्के (nudge) के साथ निर्देशित करती है। यह उन रोबोटों के लिए एक व्यावहारिक मार्ग सुझाता है जिन्हें गतिशील, अज्ञात स्थानों में काम करने की आवश्यकता होती है, जैसे कि आपदा क्षेत्र या व्यस्त गोदाम, जहाँ उन्हें वास्तविक दुनिया के अप्रत्याशित परिवर्तनों के प्रति सुरक्षित रूप से प्रतिक्रिया करते हुए लक्ष्य तक पहुँचने में सक्षम होना चाहिए।

तकनीकी सारांश: ODG-NoMaD

समस्या विवरण
सीखने पर आधारित नेविगेशन नीतियां, जैसे कि NoMaD, एक एकल डिफ्यूजन मॉडल के भीतर लक्ष्य-निर्देशित नेविगेशन और ओपन-एंडेड एक्सप्लोरेशन (खुली खोज) को एकीकृत करके विभिन्न वातावरणों में सामान्यीकरण करने और स्थानीय अवलोकनों पर प्रतिक्रिया देने में उत्कृष्ट हैं। हालाँकि, उन अनदेखे वातावरणों में जहाँ कोई लक्ष्य छवि या टोपोलॉजिकल मानचित्र प्रदान नहीं किया गया है, NoMaD का एक्सप्लोरेशन मोड मौलिक रूप से दिशाहीन होता है। वैश्विक स्थितिजन्य जागरूकता (global situational awareness) की कमी के कारण, नीति केवल एर्गोसेंट्रिक (egocentric), प्रतिक्रियाशील निर्णयों पर निर्भर करती है जो कैमरे के सीमित फील्ड ऑफ व्यू द्वारा बाधित होते हैं। यह अक्षम एक्सप्लोरेशन की ओर ले जाता है जिसमें कवर किए गए क्षेत्रों को बार-बार दोहराना, स्पष्ट प्रगति के बिना भटकना और लक्ष्यों तक पहुँचने में विफल होना शामिल है। इसके विपरीत, शास्त्रीय नियोजन (classical planning) विधियाँ वैश्विक जागरूकता प्रदान करती हैं लेकिन उनमें सीखी गई नीतियों जैसी प्रतिक्रियाशीलता और सामान्यीकरण क्षमता का अभाव होता है। चुनौती नीति को पुन: प्रशिक्षित किए बिना या उसकी मल्टीमॉडल क्षमताओं से समझौता किए बिना, शास्त्रीय नियोजन के वैश्विक मार्गदर्शन को सीखी गई खोज की प्रतिक्रियाशीलता के साथ जोड़ने में निहित है।

कार्यप्रणाली: ODG-NoMaD
लेखक ODG-NoMaD (ओवरहेड-कैमरा डायरेक्शन-गाइडेड NoMaD) का प्रस्ताव करते हैं, जो एक इन्फरेंस-टाइम गाइडेंस फ्रेमवर्क है जो NoMaD की गोल-मास्क्ड डिफ्यूजन पॉलिसी को ओवरहेड कैमरे से प्राप्त एक वैश्विक पथ का उपयोग करके एक लक्ष्य की ओर निर्देशित करता है, बिना प्रशिक्षित नेटवर्क वेट्स (weights) को संशोधित किए। यह पाइपलाइन तीन चरणों में कार्य करती है:

ओवरहेड कैमरा के माध्यम से ग्लोबल पाथ प्लानिंग:
तैनाती (deployment) के समय, एक एकल ओवरहेड डेप्थ कैमरा वर्कस्पेस को कैप्चर करता है ताकि एक टॉप-डाउन ऑक्यूपेंसी ग्रिड मैप बनाया जा सके। एक ग्लोबल प्लानर रोबोट की शुरुआती स्थिति से लक्ष्य तक एक टकराव-मुक्त पथ (collision-free path) की गणना करता है। इस सघन पथ को Ramer–Douglas–Peucker (RDP) एल्गोरिदम का उपयोग करके सीधी रेखाओं के अनुक्रम में सरल बनाया जाता है। वह खंड (segment) जिसमें रोबोट की वर्तमान स्थिति है, एक वांछित वैश्विक हेडिंग ( $\theta^\star$ ) और यूनिट डायरेक्शन वेक्टर ( $\hat{d}$ ) प्रदान करता है।
ग्रेडिएंट इंजेक्शन के माध्यम से डायरेक्शन गाइडेंस:
अननिर्देशित एक्सप्लोरेशन सैंपल्स को वैश्विक हेडिंग की ओर झुकाने के लिए, यह विधि डिफ्यूजन पॉलिसी के डीनोइजिंग प्रोसेस के अंतिम, लो-नॉइज़ स्टेप्स के दौरान एक दिशा लागत फलन (direction cost function - $F_{dir}$ ) के ग्रेडिएंट को इंजेक्ट करती है।
- कॉस्ट फंक्शन अनुमानित प्रक्षेपवक्र (trajectory) स्टेप्स और वांछित यूनिट डायरेक्शन $\hat{d}$ के बीच कोसाइन अलाइनमेंट (cosine alignment) को मापता है।
- महत्वपूर्ण रूप से, कोसाइन अलाइनमेंट का उपयोग यह सुनिश्चित करता है कि गाइडेंस वांछित हेडिंग की ओर प्रक्षेपवक्र स्टेप्स को घुमाए बिना, स्टेप लेंथ को कृत्रिम रूप से बढ़ाए बिना, एक्सप्लोरेशन की मल्टीमॉडल प्रकृति को सुरक्षित रखता है।
- यह प्रक्रिया ट्रेनिंग-फ्री है; डिफ्यूजन मॉडल फ्रीज रहता है, और वैश्विक संदर्भ केवल ग्रेडिएंट अपडेट के माध्यम से इंजेक्ट किया जाता है।
ट्रैवर्सेबिलिटी-आधारित कोलिजन अवॉयडेंस (टकराव बचाव):
उन बाधाओं को संभालने के लिए जो प्रारंभिक ओवरहेड मैप में मौजूद नहीं हैं (आउट-ऑफ-डिस्ट्रीब्यूशन बाधाएं), सिस्टम रोबोट के ऑनबोर्ड डेप्थ कैमरे का उपयोग करके प्रति-फ्रेम बर्ड्स-आई-व्यू (BEV) ट्रैवर्सेबिलिटी मैप जेनरेट करता है।
- एक "बेस्ट-डायरेक्शन सेलेक्टर" वांछित वैश्विक दिशा के आसपास कैंडिडेट हेडिंग्स के एक समूह (fan) का मूल्यांकन करता है।
- एक हार्ड रूल किसी भी ऐसे कैंडिडेट को खारिज कर देता है जो एक निकट-रेंज सुरक्षा मार्जिन (साइड रेल सहित ताकि लेटरल क्लीयरेंस सुनिश्चित हो सके) के भीतर बाधा से टकराता है।
- एक सॉफ्ट रूल एडमिसेबल (स्वीकार्य) उम्मीदवारों को वांछित हेडिंग से कोणीय विचलन और पथ में अज्ञात स्थान के अंश के आधार पर स्कोर देता है।
- चयनित दिशा ( $\hat{d}_{trav}$ ) वह एडमिसेबल कैंडिडेट है जिसमें सबसे कम कोणीय विचलन है, जो यह सुनिश्चित करता है कि रोबोट नई बाधाओं से बचते हुए वैश्विक पथ के साथ संरेखित रहे। इस दिशा का उपयोग फिर दिशा गाइडेंस कॉस्ट के लक्ष्य के रूप में किया जाता है।

प्रमुख योगदान

ODG-NoMaD फ्रेमवर्क: एक विधि जो ओवरहेड-कैमरा ग्लोबल पाथ से प्राप्त डायरेक्शनल प्रायर का उपयोग करके इन्फरेंस टाइम पर NoMaD की गोल-मास्क्ड डिफ्यूजन पॉलिसी को निर्देशित करती है। यह मानव-इन-द-लूप हस्तक्षेप या पॉलिसी पुन: प्रशिक्षण के बिना एक्सप्लोरेशन को लक्ष्य की ओर मोड़ती है।
ट्रैवर्सेबिलिटी-आधारित कोलिजन अवॉयडेंस: एक योजना जो प्रति-फ्रेम ऑनबोर्ड डेप्थ डेटा को एक कोलिजन-फ्री हेडिंग चुनने के लिए एकीकृत करती है। यह रोबोट को वैश्विक पथ के साथ संरेखण बनाए रखते हुए नए, अनमैप्ड बाधाओं के चारों ओर मुड़ने की अनुमति देती है।
तुलनात्मक विश्लेषण: एक हेड-टू-हेड तुलना जो दर्शाती है कि दिशात्मक गाइडेंस, NaviDiffusor द्वारा उपयोग किए जाने वाले पॉइंट-गोल कॉस्ट गाइडेंस की तुलना में वैश्विक पथ के अंतिम बिंदु तक पहुँचने के लिए अधिक विश्वसनीय है। लेखक इसका श्रेय इस तथ्य को देते हैं कि एक हेडिंग प्रायर पॉलिसी की एक्सप्लोरेटरी मल्टीमोडैलिटी को सुरक्षित रखता है, जबकि एक सटीक पॉइंट टारगेट एक्शन डिस्ट्रीब्यूशन को कोलैप्स (सिकोड़) कर देता है।
मजबूती (Robustness): सिस्टम डायनेमिक वातावरण में मजबूती प्रदर्शित करता है, ओवरहेड मैप बनने के बाद जोड़ी गई बाधाओं से सफलतापूर्वक बचते हुए भी लक्ष्य तक पहुँचने में सफल रहता है।

प्रायोगिक परिणाम
प्रयोग एक सिम्युलेटेड Gazebo ऑफिस एनवायरनमेंट (9.2m x 5.2m) में TurtleBot 4 का उपयोग करके किए गए थे। दो परिदृश्य परीक्षण किए गए: Env-NoObs (मैप से मेल खाती स्थिर फर्नीचर) और Env-RandObs (मैपिंग के बाद रैंडम बाधाओं के साथ)।

अनगाइडेड एक्सप्लोरेशन बनाम प्रदर्शन: ODG-NoMaD ने अनगाइडेड NoMaD एक्सप्लोरेशन की तुलना में लक्ष्य तक औसत अवशेष दूरी (mean residual distance) को लगभग 7 गुणा कम कर दिया। जबकि अनगाइडेड NoMaD शायद ही कभी लक्ष्य तक पहुँच पाता था (स्थिर में सफलता दर ~33%, डायनेमिक में 0%), ODG-NoMaD ने दोनों वातावरणों में 100% सफलता दर प्राप्त की।
NaviDiffusor बनाम प्रदर्शन: ODG-NoMaD ने सफलता दर और सफलता भारित पथ लंबाई (SPL) के मामले में NaviDiffusor (जो पॉइंट-गोल कॉस्ट गाइडेंस का उपयोग करता है) को पछाड़ दिया। NaviDiffusor अक्सर लक्ष्य से थोड़ा पहले रुक जाता था या जटिल मार्गों पर विफल हो जाता था, जबकि ODG-NoMaD अधिक विश्वसनीयता के साथ लक्ष्य तक पहुँचता था।
कोलिजन अवॉयडेंस: Env-RandObs परिदृश्य में, ODG-NoMAd का वह संस्करण जिसमें ट्रैवर्सेबिलिटी-आधारित चयन नहीं था, नई बाधाओं से टकरा गया (100% कोलिजन रेट), जबकि पूर्ण विधि ने बाधाओं के चारों ओर मुड़कर 0% कोलिजन रेट के साथ बाधा रहित संचालन किया।
मेट्रिक्स: पूर्ण ODG-NoMaD कॉन्फ़िगरेशन ने सभी पथों और वातावरणों में उच्चतम सफलता दर और SPL प्राप्त किया, जिसमें लक्ष्य की निकटता सभी बेसलाइन्स की तुलना में काफी कम थी।

महत्व और दावे
पेपर का दावा है कि ODG-NoMaD सफलतापूर्वक एक सीखी गई, गोल-मास्क्ड डिफ्यूजन पॉलिसी में लक्ष्य-निर्देशित व्यवहार को बहाल करता है। वैश्विक ओवरहेड दृश्य का उपयोग ग्लोबल प्लानिंग के लिए और ऑनबोर्ड दृश्य का उपयोग लोकल ऑब्स्टेकल अवॉयडेंस के लिए करके, यह विधि क्लासिकल ग्लोबल प्लानिंग और रिएक्टिव लर्नड एक्सप्लोरेशन के बीच के अंतर को पाटती है। लेखक इस बात पर जोर देते हैं कि यह पूरी तरह से इन्फरेंस टाइम पर हासिल किया गया है, जो आवश्यक वैश्विक जागरूकता जोड़ते हुए पूर्व-प्रशिक्षित पॉलिसी की सामान्यीकरण क्षमताओं को सुरक्षित रखता है। इस दृष्टिकोण को मोबाइल रोबोटों के लिए एक मजबूत समाधान के रूप में प्रस्तुत किया गया है जो आंशिक रूप से ज्ञात या डायनेमिक वातावरणों में काम करते हैं जहाँ स्पष्ट मैप निर्माण कठिन है, लेकिन प्रारंभिक वैश्विक संदर्भ के लिए ओवरहेड दृश्य उपलब्ध है।

तकनीकी सारांश: ODG-NoMaD

इसी तरह के और पेपर