BIFTA: Brain-Inspired Few-Shot Tactile Adaptation for Unknown Sensors
यह शोधपत्र BIFTA को प्रस्तुत करता है, जो एक मस्तिष्क-प्रेरित फ्यू-शॉट लर्निंग फ्रेमवर्क है जो ड्यूल-व्यू सांख्यिकीय मेमोरी, सपोर्ट-कंडीशन्ड स्पेक्ट्रल ग्राफ्स और अनसर्टेन्टी-गेटेड रिकरेंट प्रोपेगेशन का लाभ उठाकर हार्डवेयर-प्रेरित प्रदर्शन पतन (परफॉरमेंस कोलैप्स) को दूर करने के लिए न्यूनतम लेबल वाले डेटा के साथ पूर्व-प्रशिक्षित टैक्टाइल मॉडल्स के तीव्र अनुकूलन को सक्षम बनाता 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
रोबोटों ने लंबे समय से देखने की कला में महारत हासिल कर ली है, वे कमरों में नेविगेट करने और वस्तुओं को पहचानने के लिए कैमरों का उपयोग करते हुए ऐसी सटीकता दिखाते हैं जो अक्सर मानव दृष्टि की बराबरी करती है। फिर भी, जब स्पर्श की बात आती है, तो उनकी प्रगति कहीं अधिक धीमी रही है। दृष्टि के विपरीत, जो एक एकल, सार्वभौमिक माध्यम—प्रकाश—पर निर्भर करती है, स्पर्श स्वयं सेंसर के भौतिक गुणों पर निर्भर करता है। एक रोबोट की "त्वचा" नरम रबर से बनी हो सकती है, जिसमें छोटे मार्कर लगे हों, या इसमें एक कैमरा लगा हो जो एक विकृत सतह को देख रहा हो। चूंकि प्रत्येक सेंसर अलग तरह से बनाया जाता है, इसलिए स्पर्श को रिकॉर्ड करने का तरीका उसके अपने निर्माण के प्रति अद्वितीय होता है। एक रोबोट जिसे एक विशेष प्रकार के सेंसर का उपयोग करके स्ट्रॉबेरी की बनावट समझने के लिए प्रशिक्षित किया गया है, वह पूरी तरह से भ्रमित हो जाता है जब उसे एक अलग सेंसर दिया जाता है, भले ही वस्तु वही हो। यह सीमा रोबोटिक्स के भविष्य के लिए एक महत्वपूर्ण बाधा उत्पन्न करती है: यदि किसी रोबोट को एक नए सेंसर की आवश्यकता है क्योंकि उसका पुराना टूट गया है, या यदि रोबोटों के एक बेड़े को विभिन्न हार्डवेयर मॉडल से डेटा साझा करने की आवश्यकता है, तो उनके स्पर्श की भावना को संचालित करने वाले सॉफ़्टवेयर को बिना दोबारा प्रशिक्षित किए तुरंत अनुकूलित होने में सक्षम होना चाहिए।
शोधकर्ता स्पर्श के लिए "फाउंडेशन मॉडल्स" पर काम कर रहे हैं, जो विशिष्ट सेंसरों से प्राप्त विशाल डेटा पर प्रशिक्षित बड़े सिस्टम हैं ताकि कठोरता या आकार जैसी सामान्य अवधारणाओं को सीखा जा सके। हालांकि, ये मॉडल तब एक दीवार से टकरा जाते हैं जब उनका सामना ऐसे सेंसर से होता है जिसे उन्होंने पहले कभी नहीं देखा हो। हाल ही में, बीजिंग इंस्टीट्यूट ऑफ टेक्नोलॉजी की एक टीम ने एक समाधान प्रस्तावित किया है जो इस बात से प्रेरित है कि मानव मस्तिष्क नई संवेदी जानकारी को कैसे संभालता है। जिस तरह एक व्यक्ति केवल कुछ स्पर्शों के बाद नए दस्ताने या एक अलग बनावट के अहसास को जल्दी से समझना सीख सकता है, शोधकर्ताओं ने BIFTA, या 'ब्रेन-इंस्पायर्ड फ्यू-शॉट टैक्टाइल अडैप्टेशन' नामक एक विधि विकसित की है। यह प्रणाली एक रोबोट को स्पर्श के लिए पूर्व-प्रशिक्षित 'मस्तिष्क' लेने और केवल कुछ लेबल किए गए उदाहरणों का उपयोग करके पूरी तरह से अज्ञात सेंसर के प्रति तेजी से अनुकूलित होने की अनुमति देती है, न कि हजारों नए प्रशिक्षण चित्रों की आवश्यकता होती है।
मुख्य समस्या जिसे टीम ने संबोधित किया है वह यह है कि जब एक रोबोट सेंसर बदलता है, तो विभिन्न वस्तुओं के महसूस होने का गणितीय "मानचित्र" (मैप) बिखर जाता है। एक सेंसर पर प्रशिक्षित मॉडल नए सेंसर पर यह सोच सकता है कि एक चिकनी सतह खुरदरी है, केवल इसलिए क्योंकि नया हार्डवेयर डेटा को अलग तरह से रिकॉर्ड करता है। इस समस्या को ठीक करने के पिछले प्रयासों में या तो पूरे सिस्टम को फिर से प्रशिक्षित करना शामिल था, जो धीमा और डेटा-गहन है, या सरल सांख्यिकीय युक्तियों का उपयोग करना था जो अक्सर विफल हो जाते थे जब सेंसरों के बीच का अंतर बहुत अधिक होता था। शोधकर्ताओं ने पाया कि मौजूदा विधियाँ अक्सर विफल हो जाती थीं, जिससे उनकी सटीकता मूल सेंसर पर उच्च स्तर से गिरकर नए सेंसर पर लगभग यादृच्छिक अनुमान (रैंडम गेसिंग) के स्तर पर आ जाती थी। उदाहरण के लिए, एक डेटासेट पर, एक मानक मॉडल जो अपने मूल सेंसर पर 71 प्रतिशत सटीक था, छह अलग-अलग, अनदेखे सेंसरों पर परीक्षण किए जाने पर 8 प्रतिशत से भी कम सटीकता पर गिर गया।
इसे हल करने के लिए, टीम ने एक तीन-चरणीय प्रक्रिया डिजाइन की है जो स्थिर ज्ञान को तीव्र अनुकूलन से अलग करने की मस्तिष्क की क्षमता की नकल करती है। सबसे पहले, प्रणाली लेबल किए गए उदाहरणों के एक छोटे सेट का उपयोग करके, जिसे 'सपोर्ट सेट' कहा जाता है, नए सेंसर की एक "स्मृति" बनाती है। यह केवल इन उदाहरणों को याद नहीं करती है; यह एक सांख्यिकीय आधार (एंकर) बनाती है जो यह दर्शाता है कि नया सेंसर प्रत्येक वस्तु को कैसा महसूस कराना चाहता है। दूसरा, यह डेटा का एक नया ज्यामितीय मानचित्र तैयार करती है। कल्पना करें कि मानचित्र पर विभिन्न वस्तुओं के डेटा बिंदु शहरों की तरह हैं; जब सेंसर बदलता है, तो इन शहरों के बीच की दूरियां विकृत हो जाती हैं। सिस्टम डेटा के इस विरूपण को ठीक करने के लिए ज्ञात उदाहरणों के छोटे सेट का उपयोग करता है, जिससे उन शोर वाले (नॉइज़ी) दिशाओं को दबा दिया जाता है जो रोबोट को भ्रमित करते हैं और उन पथों को सुदृढ़ किया जाता है जो सही उत्तर की ओर ले जाते हैं। अंत में, यह निर्णय लेने के लिए एक विश्वसनीयता जांच का उपयोग करता है कि रोबोट को अपने नए मानचित्र पर कितना भरोसा करना चाहिए बनाम उसके मूल प्रशिक्षण पर। यदि एक नया स्पर्श अस्पष्ट लगता है, तो सिस्टम उस स्थिर स्मृति पर अधिक जोर देता है जो उसने कुछ उदाहरणों से बनाई है, यह सुनिश्चित करते हुए कि रोबोट भ्रमित करने वाले संकेतों से भटक न जाए।
शोधकर्ताओं ने विभिन्न स्पर्श सेंसरों और कार्यों से जुड़े तीन अलग-अलग डेटासेट पर इस दृष्टिकोण का परीक्षण किया, जिसमें आकृतियों की पहचान और विशिष्ट वस्तुओं को पहचानना शामिल है। उन्होंने दो अलग-अलग पूर्व-प्रशिक्षित "मस्तिष्कों" का उपयोग किया और उन्हें उन सेंसरों के विरुद्ध परखा जो मूल प्रशिक्षण डेटा में अनुपस्थित थे। परिणाम आश्चर्यजनक थे। एक डेटासेट पर, जब रोबोट को सीखने के लिए केवल 10 प्रतिशत लक्ष्य डेटा दिया गया, तो नई विधि ने पूर्व-प्रशिक्षित मॉडल की सटीकता को विफल 6.86 प्रतिशत से बढ़ाकर 87.09 प्रतिशत तक पहुँचा दिया। यह कोई इत्तेफाक नहीं था; यह विभिन्न प्रकार के सेंसरों, विभिन्न पूर्व-प्रशिक्षित मॉडलों और विभिन्न कार्यों में भी प्रभावी रहा। इसने मौजूदा सबसे मजबूत विधियों को बड़े अंतर से पीछे छोड़ दिया, और कभी-कभी सटीकता में लगभग 50 प्रतिशत अंकों का सुधार किया। केवल 1 प्रतिशत लक्ष्य डेटा उपलब्ध होने पर भी, सिस्टम ने अपनी खोई हुई क्षमता का एक महत्वपूर्ण हिस्सा वापस पाने में सफलता प्राप्त की, जिससे सिद्ध हुआ कि यह बहुत कम अभ्यास के साथ एक नए सेंसर की भाषा "बोलना" सीख सकता है।
जो चीज़ इस दृष्टिकोण को विशेष रूप से शक्तिशाली बनाती है वह यह है कि इसके लिए रोबोट को शुरू से देखने या महसूस करने को फिर से सीखने की आवश्यकता नहीं होती है। मुख्य कार्य (फीचर एक्सट्रैक्शन) मूल मॉडल में स्थिर रहता है, जिससे उसके पास पहले से मौजूद विशाल ज्ञान सुरक्षित रहता है। अनुकूलन केवल अंतिम चरण में होता है, जहाँ सिस्टम उन कुछ नए उदाहरणों के आधार पर अपनी समझ को पुनर्गठित करता है। इसका अर्थ है कि रोबोट अपना हार्डवेयर बदल सकता है, या विभिन्न सेंसरों वाले रोबोटों का एक बेड़ा एक ही, अनुकूलन योग्य बुद्धिमत्ता साझा कर सकता है, बिना किसी बड़े नए डेटासेट या महंगे पुन: प्रशिक्षण सत्र के। यह अध्ययन प्रदर्शित करता है कि जैविक संवेदी अनुकूलन के सिद्धांतों को उधार लेकर, इंजीनियर ऐसे स्पर्श तंत्र बना सकते हैं जो केवल एक उपकरण के लिए कठोर रूप से प्रोग्राम नहीं हैं, बल्कि भौतिक दुनिया की अव्यवस्थित और विविध वास्तविकता को संभालने के लिए पर्याप्त लचीले हैं।
निष्कर्ष बताते हैं कि रोबोटों को अधिक मजबूत और बहुमुखी बनाने के लिए एक स्पष्ट मार्ग है। जबकि वर्तमान कार्य वर्गीकरण और पहचान कार्यों पर केंद्रित है, लेखक नोट करते हैं कि इन्हीं सिद्धांतों को अधिक जटिल अंतःक्रियाओं, जैसे नाजुक वस्तुओं को संभालने या वास्तविक समय में सामग्रियों को समझने के लिए लागू किया जा सकता है। यह सिद्ध करके कि एक रोबोट न्यूनतम डेटा के साथ एक नए सेंसर के प्रति तेजी से अनुकूलित हो सकता है, यह शोध गतिशील वातावरण में स्पर्श संबंधी बुद्धिमत्ता को तैनात करने में एक बड़ी बाधा को हटा देता है जहाँ हार्डवेयर परिवर्तन अपरिहार्य हैं। यह कार्य यह दावा नहीं करता है कि इसने रोबोटिक स्पर्श की हर समस्या को हल कर लिया है, लेकिन यह रोबोट के सीखे हुए अनुभव और उस अज्ञात हार्डवेयर के बीच के अंतर को पाटने के लिए एक ठोस, डेटा-संचालित विधि प्रदान करता है जिसका सामना उसे कल करना पड़ सकता 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।