OptiSight: Bridging Semantic Reasoning and Geometric Control for Embodied Navigation
ऑप्टिसाइट (OptiSight) एक हाइब्रिड फ्रेमवर्क है जो लक्ष्य स्थानीयकरण के लिए ग्राउंडेड-एसएएम (Grounded-SAM) और नियंत्रण के लिए कैमरा ज्यामिति को एकीकृत करके, सघन मानचित्रण (dense mapping) के बिना, 8GB VRAM बजट के भीतर कुशल, ज़ीरो-शॉट स्वायत्त इनडोर नेविगेशन सक्षम करने के लिए विज़न-लैंग्वेज मॉडल तर्क को नियत विज़ुअल सर्वोइंग (deterministic visual servoing) के साथ जोड़ता 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
एक कमरे में घूमना कुछ ऐसा है जो इंसान बिना सोचे-समझे करते हैं, फिर भी एक मशीन के लिए, यह दो बहुत अलग प्रकार की पहेलियों का एक जटिल मिश्रण है। एक हिस्सा देखना और समझना है: यह जानना कि दीवार में एक गहरा आयत एक दरवाजा है, या बक्सों का एक ढेर रास्ते को रोक रहा है। दूसरा हिस्सा हिलना-डुलना है: कुर्सी से टकराए बिना उससे बचने के लिए पहियों को ठीक कितना घुमाना है, इसकी गणना करना। वर्षों से, रोबोट इनमें से किसी एक काम में अच्छे रहे हैं, लेकिन शायद ही कभी दोनों को एक साथ कर पाते हैं। कुछ सिस्टम कमरे का मानचित्र बनाने और बाधाओं से बचने में उत्कृष्ट हैं, लेकिन वे "लाल कुर्सी ढूंढो" जैसे निर्देश को समझ नहीं सकते। अन्य भाषा और वस्तुओं को पहचान सकते हैं, लेकिन वे अक्सर वास्तविक समय में सुरक्षित रूप से चलने के लिए बहुत धीमे या अनाड़ी होते हैं। शोधकर्ताओं के लिए चुनौती एक ऐसा रोबोट बनाना रही है जो जो देखता है उसके बारे में तर्क कर सके और फिर मानव हाथ की सटीकता के साथ चल सके, और वह भी एक ऐसे कंप्यूटर पर जो रोबोट की पीठ पर फिट होने के लिए पर्याप्त छोटा हो।
शोधकर्ताओं की एक टीम ने 'ऑप्टिसाइट' (OptiSight) नामक एक नई प्रणाली विकसित की है जो इस अंतर को पाटती है। एक ही कंप्यूटर प्रोग्राम को एक साथ सब कुछ करने की कोशिश करने के बजाय, उन्होंने काम को दो अलग-अलग भूमिकाओं में विभाजित कर दिया है जो एक साथ मिलकर काम करती हैं। पहली भूमिका एक "सोचने वाला" (thinker) है, जो एक शक्तिशाली कृत्रिम बुद्धिमत्ता है जो कैमरे के दृश्य को देखती है और यह पता लगाती है कि वहां कौन सी वस्तुएं हैं और रोबोट को कहां जाना चाहिए। दूसरी भूमिका एक "पायलट" है, जो नियमों का एक तेज़, सरल सेट है जो सोचने वाले के निर्णय को लेता है और तुरंत रोबट को दिशा देता है। मुख्य नवाचार यह है कि सोचने वाले को लगातार बोलने की आवश्यकता नहीं होती है। यह केवल तभी हस्तक्षेप करता है जब रोबोट किसी प्रमुख निर्णय बिंदु पर पहुँचता है, जैसे कि जब उसे एक नए लक्ष्य को खोजने की आवश्यकता होती है या जब वह रास्ता भटक जाता है। एक बार जब रास्ता साफ हो जाता है, तो पायलट कार्यभार संभाल लेता है, और बिना दोबारा मदद मांगे, रोबोट को गंतव्य तक सुचारू रूप से निर्देशित करता है। यह दृष्टिकोण रोबोट को "कमरे से बाहर निकल जाओ" जैसे जटिल निर्देशों को समझने और एक मानक पोर्टेबल कंप्यूटर की मेमोरी सीमाओं के भीतर रहते हुए तेजी से और सुरक्षित रूप से चलने की अनुमति देता है।
इस विचार का परीक्षण करने के लिए, शोधकर्ताओं ने इस प्रणाली को 'एआई हैबिटेट' (AI Habitat) नामक एक विस्तृत आभासी दुनिया के भीतर रखा, जो फर्नीचर, दीवारों और बाधाओं के साथ वास्तविक इनडोर वातावरण का अनुकरण करता है। उन्होंने रोबोट को एक सरल लेकिन कठिन कार्य दिया: एक कमरे से बाहर निकलना। उन्होंने इस परीक्षण को बीस-चार अलग-अलग परिदृश्यों में चलाया, जिसमें खाली कमरे से लेकर भ्रमित करने वाली वस्तुओं, परावर्तक सतहों और संकीर्ण रास्तों से भरे स्थान शामिल थे। कुछ परीक्षणों में, रोबोट को एक एकल बाधा के चारों ओर घूमना था; अन्य में, उसे दो समान दिखने वाले दरवाजों के बीच अंतर करना था या तब रास्ता खोजना था जब दृश्य आंशिक रूप से बाधित हो। सिस्टम ने वस्तुओं की पहचान करने के लिए एक विशिष्ट प्रकार की कृत्रिम बुद्धिमत्ता का उपयोग किया और सटीक कोणों की गणना करने के लिए एक अलग ज्यामितीय प्रणाली का उपयोग किया। रोबोट को अपने परिवेश की जांच करने, यह तय करने और फिर निरंतर लूप में गति को निष्पादित करने के लिए प्रोग्राम किया गया था।
परिणामों ने दिखाया कि यह विभाजित दृष्टिकोण उल्लेखनीय रूप से प्रभावी रहा। बारह परिदृश्यों में, रोबोट ने कम से कम साठ प्रतिशत प्रयासों में कार्य को सफलतापूर्वक पूरा किया, और कई मामलों में, इसने हर बार सफलता प्राप्त की। जब रोबोट सफल हुआ, तो उसने आमतौर पर पूरी यात्रा के दौरान एक या दो बार ही "सोचने वाले" से मदद मांगी। इससे सिद्ध हुआ कि रोबोट को आगे बढ़ने के लिए लगातार दृश्य का पुनर्मूल्यांकन करने की आवश्यकता नहीं थी। इसके बजाय, वह निरंतर गति को संभालने के लिए अपने ज्यामितीय पायलट पर भरोसा कर सकता था। जिन कुछ मामलों में रोबोट विफल हुआ, वे आमतौर पर इसलिए थे क्योंकि वह किसी बाधा के बहुत करीब पहुंच गया था और उसे उबरने के लिए रुकना पड़ा, या इसलिए क्योंकि वातावरण इतना भ्रमित करने वाला था कि प्रारंभिक योजना अमान्य हो गई। इन कठिन मामलों में भी, सिस्टम ने दिखाया कि वह समस्या को पहचान सकता है और फिर से प्रयास कर सकता है, बजाय इसके कि वह अंधाधुंध टकरा जाए।
यह निष्कर्ष क्या महत्वपूर्ण बनाता है, यह इस बात पर निर्भर करता है कि यह बुद्धिमत्ता और गति के बीच कैसे संतुलन बनाता है। शोधकर्ताओं ने पाया कि भारी, धीमी गति से सोचने वाली कृत्रिम बुद्धिमत्ता के उपयोग को केवल सबसे महत्वपूर्ण क्षणों तक सीमित करके, वे रोबोट को वास्तविक समय में चलते रहने में सक्षम बना सकते हैं। सिस्टम आठ गीगाबाइट वीडियो मेमोरी की सख्त सीमा के भीतर संचालित हुआ, जो एक ऐसी बाधा है जो कई वास्तविक दुनिया के रोबोटों में पाई जाने वाली सीमित कंप्यूटिंग शक्ति का अनुकरण करती है। इसका मतलब है कि यह दृष्टिकोण केवल शक्तिशाली सुपरकंप्यूटरों के लिए एक सैद्धांतिक विचार नहीं है, बल्कि एक व्यावहारिक तरीका है जो वास्तविक मशीनों से जुड़ी छोटी कंप्यूटरों पर चल सकता है। प्रयोगों ने प्रदर्शित किया कि एक रोबोट को प्रभावी होने के लिए हर एक कदम पर जीनियस होने की आवश्यकता नहीं है; उसे बस यह जानने की आवश्यकता है कि कब सोचना है और कब कार्य करना है। तर्क को गति से अलग करके, ऑप्टिसाइट मशीनों के लिए मानव घर की अव्यवस्थित, अप्रत्याशित दुनिया में नेविगेट करने का एक विश्वसनीय तरीका प्रदान करता 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।