LM-X: Explainable Action Modeling with Progress, Event, and Uncertainty Prediction for Generalist Robot Manipulation
LM-X एक व्याख्यात्मक एक्शन मॉडलिंग फ्रेमवर्क है जो सामान्यवादी रोबोटिक हेरफेर (generalist robot manipulation) के लिए है, जो कार्य की प्रगति, सिमेंटिक घटनाओं और स्थानीय विश्वसनीयता का स्पष्ट रूप से पूर्वानुमान लगाकर दीर्घकालिक नियंत्रण प्रदर्शन को बढ़ाता है, और अत्याधुनिक मॉडलों की तुलना में वास्तविक-रोबोट बेंचमार्क पर बेहतर सफलता दर प्राप्त करता 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
रोबोट जो मनुष्यों को देखकर जटिल कार्य करने के लिए सीख सकते हैं, वे अब विज्ञान कथा (साइंस फिक्शन) नहीं रहे; वे आर्टिफिशियल इंटेलिजेंस के क्षेत्र में एक तेजी से विकसित होती वास्तविकता हैं। ये सिस्टम, जिन्हें अक्सर जनरललिस्ट रोबोट कहा जाता है, निर्देशों जैसे कि "शर्ट मोड़ो" या "कप उठाओ" को समझने के लिए विजन (दृष्टि) और भाषा के संयोजन का उपयोग करते हैं और फिर उन शब्दों को शारीरिक गतिविधियों में अनुवादित करते हैं। वर्षों तक, मानक दृष्टिकोण इन रोबोटों को उनके अगले कदम की भविष्यवाणी करने के लिए प्रशिक्षित करना रहा है, जो एक-एक करके किया जाता है। हालांकि यह तरीका सरल और छोटे कार्यों के लिए अच्छा काम करता है, लेकिन जब कार्य लंबे और जटिल हो जाते हैं, तो यह एक सीमा पर आकर रुक जाता है। रोबोट तत्काल कमांड को तो देख लेता है, लेकिन अपनी प्रगति के प्रति अंधा रहता है, इस बात से अनिश्चित रहता है कि वह लक्ष्य के करीब जा रहा है या उससे दूर भटक रहा है। वह यह नहीं बता सकता कि उसकी हिचकिचाहट सावधानीपूर्वक विचार करने का क्षण है या भ्रम का संकेत। वह यह भी नहीं समझा सकता कि उसने एक विशिष्ट गति क्यों चुनी। आत्म-जागरूकता की यह कमी इसे अप्रत्याशित वातावरण में भरोसेमंद बनाना कठिन बनाती है या गलत होने पर इसे ठीक करना मुश्किल बनाती है।
एक नया दृष्टिकोण, जो हालिया शोध में विस्तृत है, इसे रोबोट के अपने नियंत्रण तंत्र के भीतर एक आवाज देकर हल करने का प्रयास करता है। केवल आउटपुट के रूप में एक गति देने के बजाय, नया मॉडल, जिसे LM-X कहा जाता है, लगातार तीन विशिष्ट प्रश्नों का उत्तर देने के लिए डिज़ाइन किया गया है कि वह क्या कर रहा है। पहला, वह पूछता है, "क्या मैं काम पूरा करने के करीब पहुँच रहा हूँ?" दूसरा, वह पूछता है, "अगला बड़ा कदम क्या है जिसे मैं हासिल करने की कोशिश कर रहा हूँ?" और तीसरा, वह पूछता है, "मैं इस बात को लेकर कितना आश्वस्त हूँ कि यह विशिष्ट गति काम करेगी?" इन भौतिक क्रियाओं के साथ-साथ इन उत्तरों की भविष्यवाणी करने के लिए रोबोट को प्रशिक्षित करके, शोधकर्ताओं ने एक ऐसा सिस्टम बनाया है जो न केवल अधिक सक्षम है बल्कि अपनी स्थिति के बारे में पारदर्शी भी है। रोबोट अब केवल कार्य नहीं करता; वह वास्तविक समय में अपनी प्रगति और अनिश्चितता की निगरानी करता है, जिससे उसे उन जटिल, बहु-चरणीय कार्यों को संभालने की क्षमता मिलती है जिनमें पिछले मॉडल संघर्ष करते थे।
शोधकर्ताओं ने इस प्रणाली का निर्माण जैविक मस्तिष्क द्वारा गति को व्यवस्थित करने के तरीके से प्रेरणा लेकर किया है। प्रकृति में, मस्तिष्क केवल मांसपेशियों को बेतरतीब ढंग से सक्रिय नहीं करता है; यह भविष्यवाणियों का एक पदानुक्रम बनाए रखता है। यह समग्र लक्ष्य की एक धीमी गति वाली समझ रखता है, तत्काल उप-लक्ष्य की एक तेज़ समझ रखता है, और भेजे जा रहे मोटर कमांड की विश्वसनीयता की निरंतर जांच करता है। LM-X मॉडल इस जैविक सिद्धांत को सॉफ्टवेयर में अनुवादित करता है। यह मस्तिष्क की शारीरिक रचना की नकल करने की कोशिश नहीं करता है, बल्कि व्यवहार को निर्देशित करने के लिए विभिन्न समय पैमानों (टाइम स्केल्स) का उपयोग करने की इसकी कार्यात्मक रणनीति को अपनाता है। मॉडल को वास्तविक रोबोटिक गतिविधियों के 20,000 घंटों से अधिक के विशाल डेटासेट पर प्रशिक्षित किया गया है, जिसमें असफल प्रयासों के हजारों घंटे भी शामिल हैं। इस विफलता का समावेश महत्वपूर्ण है। रोबोट को संघर्ष करते हुए, पकड़ चूकते हुए या फंसते हुए देखकर, सिस्टम यह सीख जाता है कि प्रतिगमन (रिग्रेशन) कैसा दिखता है, न कि केवल यह कि सफलता कैसी दिखती है।
इस प्रणाली का मूल भाग तीन अलग-अलग संकेतों से बना है जो रोबोट की गतिविधियों के समानांतर चलते हैं। पहला संकेत, जिसे शोधकर्ता "रिटर्न-टू-गो" (return-to-go) कहते हैं, एक प्रोग्रेस बार की तरह कार्य करता है। यह एक एकल संख्या है जो अनुमान लगाती है कि कार्य का कितना हिस्सा शेष है। यदि रोबोट लक्ष्य की ओर सुचारू रूप से बढ़ रहा है, तो यह संख्या बढ़ती है। यदि रोबोट कोई गलती करता है, जैसे कि किसी वस्तु को गिराना या गलत दिशा में जाना, तो यह संख्या तुरंत गिर जाती है। यह सिस्टम को समस्या होने पर तुरंत पता लगाने की अनुमति देता है, न कि कार्य के पूरी तरह समाप्त होने तक प्रतीक्षा करने की। दूसरा संकेत, "इवेंट-टू-गो" (event-to-go), कार्य में अगले सार्थक संक्रमण (ट्रांजिशन) की पहचान करता है। फर्नीचर असेंबल करने जैसे जटिल काम में, विशिष्ट चरण होते हैं: एक भाग उठाना, उसे डालना और पेंच कसना। यह संकेत बताता है कि रोबोट वर्तमान में इनमें से किस चरण का अनुसरण कर रहा है, जिससे यह सुनिश्चित होता है कि वह सही रास्ते पर बना रहे, भले ही तत्काल गतिविधियाँ प्रक्रिया के किसी अन्य हिस्से जैसी ही क्यों न दिखें। तीसरा संकेत अनिश्चितता को मापता है। यह गणना करता है कि अगली गति के बारे में रोबोट की भविष्यवाणी कितनी भिन्न है, जो अनिवार्य रूप से यह पूछता है कि वह अगले कदम को लेकर कितना निश्चित है। जब रोबोट हिचकिचाता है या आगे-पीछे डोलता है, तो यह अनिश्चितता संकेत ऊपर की ओर बढ़ता है, जो यह दर्शाता है कि रोबोट अपने कार्य को लेकर अनिश्चित है।
यह परीक्षण करने के लिए कि क्या ये अतिरिक्त संकेत वास्तव में मदद करते हैं, शोधकर्ताओं ने एक बड़े, महंगे प्रशिक्षण सत्र के लिए प्रतिबद्ध होने से पहले पांच कठिन कार्यों के सेट पर एक छोटा प्रयोग चलाया। उन्होंने एक मानक रोबोट मॉडल, जो केवल गतिविधियों की भविष्यवाणी करता था, की तुलना उन संस्करणों से की जिनमें एक या अधिक नए संकेत शामिल थे। परिणाम स्पष्ट थे: वह मॉडल जिसमें तीनों संकेत शामिल थे, मानक मॉडल की तुलना में काफी बेहतर प्रदर्शन करता था, और उस संस्करण से भी बेहतर था जिसमें से केवल एक ही नया फीचर था। इसने सिद्ध किया कि संकेत मिलकर कार्य की एक पूर्ण तस्वीर प्रदान करने के लिए एक साथ काम करते हैं। शोधकर्ताओं ने फिर वास्तविक रोबлот डेटा के बड़े डेटासेट पर पूर्ण मॉडल को प्रशिक्षित किया। 50 विभिन्न कार्यों के बेंचमार्क पर परीक्षण करने पर, नया मॉडल 74.1% प्रयासों में सफल रहा, जो पिछले सर्वश्रेष्ठ मॉडल की तुलना में पर्याप्त सुधार है, जो केवल 55.4% मामलों में सफल हुआ था।
सुधार और भी स्पष्ट था जब मॉडल का परीक्षण चार अलग-अलग प्रकार के रोबोटों का उपयोग करके सात अलग-अलग वास्तविक दुनिया के कार्यों पर किया गया। इन भौतिक परीक्षणों में, नया मॉडल 68.6% बार सफल रहा, जबकि पिछले मानक के लिए यह 50.7% था। शोधकर्ताओं ने देखा कि प्रगति का संकेत (प्रोग्रेस सिग्नल) रोबोट के वास्तविक प्रदर्शन के प्रति अत्यधिक संवेदनशील था। वस्तुओं को छाँटने वाले द्वि-हस्त (बाइमैनुअल) कार्य वाले एक प्रयोग में, जैसे ही रोबोट ने वस्तुओं को सफलतापूर्वक स्थान पर रखा, प्रोग्रेस स्कोर बढ़ गया। हालाँकि, जैसे ही रोबोट ने कोई वस्तु गिराई या लक्ष्य से दूर गया, स्कोर तुरंत गिर गया, जो सटीक रूप से पीछे हटने को दर्शाता है। इसी तरह, अनिश्चितता संकेत ने रोबोट की हिचकिचाहट की एक स्पष्ट खिड़की प्रदान की। जब रोबोट किसी वस्तु को पकड़ने की कोशिश कर रहा था और बिना निर्णय लिए अपनी स्थिति को बार-बार समायोजित कर रहा था, तो अनिश्चितता संकेत बढ़ गया। एक बार जब रोबोट ने एक दृढ़ निर्णय लिया और अपने ग्रिपर को बंद किया, तो संकेत गिर गया, जो आत्मविश्वास को दर्शाता है।
यह कार्य सुझाव देता है कि रोबोटों को जटिल वातावरण में वास्तव में विश्वसनीय साथी बनने के लिए, उन्हें केवल अपने हाथों को हिलाने की क्षमता से अधिक की आवश्यकता है। उन्हें अपनी स्थिति को समझने की आवश्यकता है। प्रगति, इरादे और विश्वसनीयता की स्पष्ट भविष्यवाणी करके, LM-X मॉडल कच्चे यांत्रिक कार्य और बुद्धिमान निर्णय लेने के बीच के अंतर को पाटता है। शोधकर्ता इस बात पर जोर देते हैं कि ये संकेत केवल मानव पर्यवेक्षकों के पढ़ने के लिए नहीं हैं; वे रोबोट के अपने नियंत्रण लूप का हिस्सा हैं, जो वर्तमान स्थिति के आधार पर अगली गति को आकार देने में मदद करते हैं। हालाँकि यह प्रणाली पूर्ण नहीं है और अभी भी कुछ विशिष्ट कार्यों में संघर्ष करती है, लेकिन परिणाम दर्शाते हैं कि आत्म-जागरूकता के इन स्तरों को जोड़ने से रोबोट काफी अधिक मजबूत बनता है। अध्ययन निष्कर्ष निकालता है कि यह बहु-स्तरीय दृष्टिकोण ऐसे रोबोट बनाने के लिए एक व्यावहारिक मार्ग प्रदान करता है जो न केवल कठिन कार्य कर सकते हैं, बल्कि अपने व्यवहार को समझा भी सकते हैं और गलत होने पर अपनी गलतियों से उबर भी सकते हैं।
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।