Beyond Relative Geometry: Metric-Aware Geometry Perception for Robotics

हमारी दुनिया में घूमने वाले रोबोटों के सामने एक मौलिक पहेली होती है: वे जो देखते हैं उसे वह कैसे बदलें जो वे कर सकते हैं। वर्षों से, आर्टिफिशियल इंटेलिजेंस सिस्टम वस्तुओं को पहचानने और सपाट छवियों से दृश्यों को समझने में उल्लेखनीय रूप से कुशल हो गए हैं, ठीक वैसे ही जैसे कोई इंसान किसी तस्वीर को देखता है। हालाँकि, एक कप की तस्वीर देखना उसे पकड़ने के लिए हाथ बढ़ाने से बहुत अलग है। भौतिक दुनिया के साथ बातचीत करने के लिए, एक मशीन को केवल एक विजुअल मैप से अधिक की आवश्यकता होती है; उसे यह जानने की जरूरत है कि चीजें वास्तव में कितनी दूर हैं और कितनी बड़ी हैं। सटीक पैमाने (scale) की इस समझ के बिना, एक रोबोट यह सोच सकता है कि एक छोटा खिलौना एक बड़ा बॉक्स है, या एक दरवाजा कुछ ही इंच दूर है जबकि वह वास्तव में कई फीट दूर है। देखने और चीजों के वास्तविक आकार को जानने के बीच का यह अंतर लंबे समय से रोबोटों को कमरे को व्यवस्थित करने या फर्नीचर जोड़ने जैसे जटिल कार्यों के लिए आवश्यक निपुणता देने में एक बाधा बना हुआ है।

शोधकर्ताओं की एक टीम ने इस अंतर को पाटने के लिए एक नया दृष्टिकोण विकसित किया है, जिससे एक ऐसी प्रणाली बनाई गई है जो रोबोटों को सापेक्ष आकारों के बजाय वास्तविक, मापने योग्य आयामों में दुनिया को देखने की अनुमति देती है। उनका काम, जिसे 'मेट्रिक-अवेयर ज्योमेट्री परसेप्शन' (Metric-Aware Geometry Perception) या MAGP कहा जाता है, मशीनों को एक सुसंगत पैमाने के साथ त्रि-आयामी दृश्यों का पुनर्निर्माण करना सिखाता है, यह सुनिश्चित करता है कि एक कुर्सी चाहे रोबोट उसे बाईं ओर से देखे, दाईं ओर से देखे, या सामने से देखे, वह एक ही आकार की दिखे। रोबोट के विजन को वास्तविक भौतिक मापों से जोड़कर, यह प्रणाली अधिक विश्वसनीय और सटीक गतिविधियों को सक्षम बनाती है, जिससे अस्पष्ट स्थानिक अनुमान ठोस, कार्रवाई योग्य डेटा में बदल जाते हैं।

लंबे समय से, सर्वश्रेष्ठ कंप्यूटर विजन मॉडल केवल एक दृश्य का "सापेक्ष" (relative) मानचित्र ही बना सकते थे। कल्पना कीजिए कि आप एक कमरे की फोटो देख रहे हैं जहाँ फर्नीचर सही आकार और स्थिति में दिखता है, लेकिन आपके पास यह जानने का कोई तरीका नहीं है कि सोफा दो मीटर लंबा है या दो सेंटीमीटर। मॉडल वस्तुओं के बीच के संबंधों को समझता है—लैंप मेज पर है, मेज फर्श पर है—लेकिन वह उन्हें वास्तविक दुनिया का आकार नहीं दे सकता। यह पहचानना कि कमरे में क्या है, इसके लिए तो ठीक है, लेकिन यह तब विफल हो जाता है जब रोबioट को अपना हाथ हिलाने की आवश्यकता होती है। यदि रोबोट के आंतरिक मानचित्र में यह दर्ज है कि एक अंतराल (gap) पार करने के लिए पर्याप्त चौड़ा है, लेकिन वह माप किसी वास्तविक रूलर के बजाय एक अनुमान पर आधारित है, तो रोबोट दीवार से टकरा सकता है। समस्या यह है कि मानक कैमरे परिप्रेक्ष्य (perspective) कैप्चर करते हैं, जहाँ दूर की वस्तुएं छोटी दिखती हैं और पास की वस्तुएं बड़ी, जिससे यदि कंप्यूटर केवल तस्वीर पर निर्भर रहता है, तो उसके लिए स्केल को गलत समझना आसान हो जाता है।

शोधकर्ताओं ने पाया कि मौजूदा तरीके अक्सर उन विशिष्ट संकेतों की अनदेखी करते हैं जो एक कैमरे को यह बताते हैं कि वह कितना आगे बढ़ा है या एक दृश्य कितना गहरा है। इसके बजाय, वे वस्तुओं के दिखने के आधार पर उनके आकार का अनुमान लगाते थे, जैसे कि यह मान लेना कि कॉफी मग एक मानक आकार का है क्योंकि वह एक मग जैसा दिखता है। यह दृष्टिकोण नाजुक है; यदि रोशनी बदलती है या रोबोट वस्तु को एक अजीब कोण से देखता है, तो अनुमान बहुत गलत हो सकता है। नया सिस्टम, MAGP, अनुमान लगाने के बजाय मापने के लिए डिज़ाइन किया गया था। यह ऐसा करने के लिए रोबोट के सेंसर द्वारा प्रदान किए गए भौतिक डेटा पर ध्यान केंद्रित करने के लिए कंप्यूटर को मजबूर करता है, जैसे कि दो स्नैपशॉट के बीच कैमरा कितनी दूर चला गया या लेजर स्कैनर से प्राप्त गहराई की जानकारी।

सिस्टम को विजुअल अनुमानों के बजाय इन भौतिक संकेतों पर भरोसा करने के लिए प्रशिक्षित करने हेतु, शोधकर्ताओं ने एक चतुर प्रशिक्षण तकनीक का उपयोग किया। उन्होंने दृश्यों को लिया और दूरी के मापों और कैमरा मूवमेंट के पैमाने को कृत्रिम रूप से बदल दिया, जबकि तस्वीरों को बिल्कुल वैसा ही रखा। यदि रोबोट का आंतरिक मॉडल केवल दृश्य के लुक के आधार पर अनुमान लगा रहा होता, तो वह विफल हो जाता। लेकिन क्योंकि सिस्टम को बदलते नंबरों का पालन करने के लिए प्रशिक्षित किया गया था, इसने सीखा कि जब भी भौतिक डेटा बदलता है, तो वह कमरे के आकार के अपने मानसिक मानचित्र को अपडेट करता है। यह प्रक्रिया, जिसे 'मेट्रिक स्केल इक्विवेरिएंट ऑगमेंटेशन' (metric scale equivariant augmentation) कहा जाता है, ने मॉडल को सिखाया कि यदि कैमरा दोगुना दूर जाता है, तो कमरा भी दोगुना बड़ा होना चाहिए, चाहे वस्तुएं कैसी भी दिखें।

परिणामस्वरूप एक ऐसा रोबोट प्राप्त हुआ जो एक सुसंगत रूलर के साथ दुनिया को देखता है। कमरों और वस्तुओं के वास्तविक दुनिया के डेटासेट का उपयोग करते हुए परीक्षणों में, नए सिस्टम ने दूरियों को मापने की त्रुटि को दो मीटर से घटाकर केवल सात सेंटीमीटर कर दिया। यह एक बहुत बड़ा सुधार है, जो एक धुंधले, अनिश्चित अनुमान को एक स्पष्ट, विश्वसनीय माप में बदल देता है। यह प्रणाली तब भी काम करती है जब रोबोट के पास विभिन्न प्रकार के सेंसर होते हैं या जब कुछ डेटा गायब होता है, जो उपलब्ध जानकारी के अनुसार उपलब्ध स्थान की एक सुसंगत तस्वीर बनाने के लिए अनुकूलित होती है।

जब इस नई धारणा प्रणाली (perception system) को वास्तविक रोबोट नियंत्रण सॉफ्टवेयर में लगाया गया, तो प्रदर्शन में अंतर स्पष्ट था। वस्तुओं को इधर-उधर ले जाने के मानक कार्यों के सेट पर, पुराने तरीकों का उपयोग करने वाले रोबोटों की तुलना में मेट्रिक-अवेयर सिस्टम का उपयोग करने वाले रोबोट अधिक बार सफल हुए। एक विशिष्ट परीक्षण में, जिसमें दो हाथों वाला रोबोट मिलकर काम कर रहा था, सफलता दर छह प्रतिशत से अधिक बढ़ गई। रोबोट अपने ग्रिपर्स को कहाँ रखना है और कितनी दूर तक पहुँचना है, यह बेहतर ढंग से जानने में सक्षम थे, जिससे गलतियाँ कम हुईं और गतिविधियाँ सुचारू हुईं। यहाँ तक कि जब रोबोट का परीक्षण उन कार्यों के लिए किया गया जिन्हें उन्होंने पहले कभी नहीं देखा था, तब भी सिस्टम ने उन्हें तेजी से अनुकूलित होने में मदद की, जिससे पता चलता है कि पैमाने की वास्तविक समझ सामान्य बुद्धिमत्ता (general intelligence) के लिए एक शक्तिशाली उपकरण है।

यह कार्य सुझाव देता है कि रोबोट्स के लिए वास्तव में भौतिक दुनिया में महारत हासिल करने के लिए, उन्हें वातावरण को एक सपाट छवि के रूप में देखना बंद करना होगा और इसे एक मापने योग्य स्थान के रूप में देखना शुरू करना होगा। अपने विजन को वास्तविक दुनिया के आयामों में स्थापित करके, ये मशीनें केवल वस्तुओं को पहचानने से बढ़कर, एक मानव हाथ के आत्मविश्वास और सटीकता के साथ उनके साथ बातचीत करने की क्षमता प्राप्त कर सकती हैं। शोधकर्ताओं ने दिखाया है कि जब एक रोबोट को पता होता है कि चीजें वास्तव में कितनी बड़ी हैं, तो वह केवल उन्हें देखने के अलावा बहुत कुछ कर सकता है।