Why Personalization Matters: Cross-Subject Challenges in EMG-IMU-based HRI Activity Recognition

एक कारखाने के फर्श की कल्पना कीजिए जहाँ एक इंसान और एक रोबोट एक साथ काम कर रहे हैं, औज़ार पास कर रहे हैं और मिलकर पुर्जों को जोड़ रहे हैं। इस साझेदारी को स्वाभाविक और सुरक्षित बनाने के लिए, रोबोट को यह समझने की आवश्यकता है कि इंसान कोई कार्य करने वाला है, इससे पहले कि वह कार्य वास्तव में शुरू हो। यह किसी मौखिक आदेश या बटन दबाने का इंतज़ार नहीं कर सकता; इसे मानवीय इरादों के सूक्ष्म संकेतों को पढ़ना होगा। हालाँकि कैमरे और माइक्रोफ़ोन मदद कर सकते हैं, लेकिन वे वर्कशॉप की अव्यवस्थित, शोर-शराबे वाली और भीड़भाड़ वाली वास्तविकता में अक्सर विफल हो जाते हैं। एक बेहतर समाधान शरीर को सुनने में निहित है। एक कार्यकर्ता की बांह पर सेंसर लगाकर, एक प्रणाली मांसपेशियों के संकुचन की नन्ही विद्युत चिंगारियों और अंग की गति का पता लगा सकती है, जिससे इन जैविक संकेतों को इस स्पष्ट समझ में बदला जा सके कि मनुष्य रोबोट से क्या करवाना चाहता है।

ब्राजील में शोधकर्ताओं की एक टीम ने यह परीक्षण करने के लिए कि यह विचार एक जटिल, वास्तविक दुनिया के परिवेश में कितनी अच्छी तरह काम करता है, एक मिशन शुरू किया। उन्होंने 'MAGIC-HRI' नामक डेटा का एक नया संग्रह बनाया, जिसे रोबनों को मानवीय गतिविधियों की एक विस्तृत श्रृंखला को पहचानने के लिए प्रशिक्षित करने हेतु डिज़ाइन किया गया था। केवल कुछ सरल कार्यों पर ध्यान केंद्रित करने के बजाय, उन्होंने ग्यारह स्वयंसेकारों को तिरपन अलग-अलग कार्य करने के लिए कहा। इन कार्यों में विशिष्ट हस्त मुद्राएं बनाना और ब्राज़ीलियाई सांकेतिक भाषा में संख्याएं बताना, से लेकर भौतिक रूप से औज़ार सौंपना, बोल्ट कसना और वस्तुओं को पकड़ना शामिल था। स्वयंसेवकों ने एक विशेष आर्मबैंड पहना था जो मांसपेशियों की गतिविधि और गति को मापने वाले सेंसरों से लैस था। शोधकर्ताओं ने फिर इस डेटा को कंप्यूटर प्रोग्रामों में डाला ताकि यह देखा जा सके कि क्या मशीन यह अंतर करना सीख सकती है कि "उठाने" की गति और "देने" की गति के बीच क्या अंतर है, या "रुकने" के आदेश और "जारी रखने" के आदेश के बीच क्या अंतर है।

परिणामों ने इस तकनीक को सभी के लिए काम करने योग्य बनाने में एक महत्वपूर्ण बाधा को उजागर किया। जब कंप्यूटर प्रोग्राम को सभी स्वयंसेवकों के डेटा पर प्रशिक्षित किया गया और फिर उनके अपने आंदोलनों के मिश्रण पर परीक्षण किया गया, तो इसने काफी अच्छा प्रदर्शन किया, और अधिकांश समय कार्यों को सही ढंग से पहचाना। हालाँकि, स्थिति नाटकीय रूप से बदल गई जब शोधकर्ताओं ने इस प्रणाली का परीक्षण एक ऐसे व्यक्ति पर किया जिसे इसने पहले कभी नहीं देखा था। इस परिदृश्य में, जहाँ मॉडल को किसी विशिष्ट व्यक्ति के पूर्व प्रशिक्षण के बिना उसके इरादों का अनुमान लगाना था, इसके प्रदर्शन में भारी गिरावट आई। प्रणाली सामान्यीकरण (generalize) करने में संघर्ष कर रही थी, जिसका अर्थ था कि यह एक व्यक्ति से दूसरे व्यक्ति तक जो सीखा था, उसे आसानी से स्थानांतरित नहीं कर सकी। यह सुझाव देता है कि प्रत्येक मानव शरीर अनूठे तरीके से चलता है और अपनी मांसपेशियों को सक्रिय करता है, जो एक ऐसी बाधा उत्पन्न करता है जिसे मानक प्रशिक्षण विधियाँ आसानी से पार नहीं कर सकतीं।

इस समस्या को हल करने के लिए, शोधकर्ताओं ने 'पर्सनलाइजेशन' (वैयक्तिकरण) नामक एक रणनीति का परीक्षण किया। उन्होंने एक ऐसी स्थिति का अनुकरण किया जहाँ एक नया उपयोगकर्ता रोबोट के पास आता है, और प्रणाली को काम शुरू करने से पहले उनके कुछ विशिष्ट आंदोलनों से सीखने की अनुमति दी जाती है। उन्होंने पाया कि थोड़े से नए डेटा ने भी एक बड़ा अंतर पैदा किया। जब प्रणाली को एक नए व्यक्ति के केवल सात नमूने दिखाए गए, तो उस व्यक्ति के कार्यों को पहचानने की इसकी क्षमता बढ़कर साठ प्रतिशत से अधिक हो गई। यह निष्कर्ष इंगित करता है कि हालांकि एक रोबोट तुरंत किसी अजनबी को नहीं समझ सकता, लेकिन यदि उसे अपनी विशिष्ट शैली को सीखने के लिए एक संक्षिप्त क्षण दिया जाए, तो वह तेजी से अनुकूलित हो सकता है। अध्ययन का निष्कर्ष है कि औद्योगिक सेटिंग्स में पहनने योग्य सेंसरों को वास्तव में विश्वसनीय बनाने के लिए, प्रणाली में एक संक्षिप्त अंशांकन (calibration) चरण शामिल होना चाहिए जहाँ यह प्रत्येक नए ऑपरेटर के अद्वितीय सिग्नेचर को सीख सके। इस चरण के बिना, यह तकनीक मानव-रोबोट सहयोग की अप्रत्याशित प्रकृति के लिए बहुत नाजुक बनी रहती है।