UNITAS: A 3D-Native World Action Model for Embodied Manipulation
UNITAS एक अग्रणी 1.7B-पैरामीटर वाला 3D-नेटिव वर्ल्ड एक्शन मॉडल है जो रोबोट और मानव हाथ के कार्यों को एक साझा मीट्रिक 3D स्पेस में दृश्य गतिकी (scene dynamics) के साथ एकीकृत करता है, जिससे एक्शन-कंडीशन्ड सीन प्रेडिक्शन और वास्तविक दुनिया के मैनिपुलेशन कार्यों दोनों में अत्याधुनिक प्रदर्शन प्राप्त होता 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 नहीं लिखा है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
रोबोट लंबे समय से भौतिक दुनिया को केवल चित्रों के संग्रह के रूप में नहीं, बल्कि एक ऐसी जगह के रूप में समझने के लिए संघर्ष कर रहे हैं जहाँ चीजें चलती हैं, टकराती हैं और बदलती हैं। दशकों से, शोधकर्ता मशीनों को वीडियो दिखाकर यह सिखाने की कोशिश कर रहे हैं कि आगे क्या होगा। ये सिस्टम अगली फिल्म के फ्रेम का अनुमान लगाने की कोशिश करते हैं, इस उम्मीद में कि यदि वे दृश्य भविष्य की भविष्यवाणी कर सकें, तो वे यह भी समझ पाएंगे कि उस भविष्य को साकार करने के लिए रोबोटिक हाथ को कैसे चलाना है। हालाँकि, इस दृष्टिकोण में एक मौलिक दोष है: एक वीडियो त्रि-आयामी दुनिया का केवल एक सपाट प्रक्षेपण (projection) है। एक तस्वीर में, दूर स्थित एक छोटी वस्तु पास स्थित एक बड़ी वस्तु के समान आकार की दिख सकती है, और कुछ पिक्सेल की गति एक मामूली बदलाव या एक बड़ी छलांग का प्रतिनिधित्व कर सकती है, जो कैमरा कोण पर निर्भर करता है। यह एक रोबोट के लिए यह जानना अविश्वसनीय रूप से कठिन बना देता है कि उसे कितनी दूर तक पहुँचना है या कितनी जोर से धक्का देना है, क्योंकि कैमरे की दृश्य भाषा भौतिक दूरी की भाषा नहीं बोलती है।
इस अंतर को पाटने के लिए, शोधकर्ताओं की एक टीम ने एक नए प्रकार का मॉडल विकसित किया है जो पूरी तरह से सपाट छवियों को छोड़कर सीधे त्रि-आयामी स्थान में कार्य करता है। अगली तस्वीर की भविष्यवाणी करने के बजाय, यह प्रणाली भविष्यवाणी करती है कि अंतरिक्ष में बिंदु (points) कैसे हिलेंगे। यह दुनिया को निर्देशांकों (coordinates) के एक संग्रह के रूप में देखता है जो बदलते और प्रवाहित होते हैं, जिससे रोबोट को अपने कार्यों के भौतिक परिणामों को इस तरह समझने में मदद मिलती है जो कैमरा कहीं भी देख रहा हो, उसके बावजूद सुसंगत रहता है। एक फिल्म देखने से लेकर एक भौतिक स्थान का मानचित्र बनाने की ओर यह बदलाव रोबोट को यह समझने की दिशा में एक महत्वपूर्ण कदम है कि दुनिया वास्तव में कैसे काम करती है, जो उन्हें एक शेल्फ व्यवस्थित करने या बैग पैक करने जैसे जटिल कार्यों को उसी विश्वसनीयता के साथ करने के करीब लाता है जो एक मनुष्य के पास होती है।
इस कार्य के पीछे के शोधकर्ताओं ने, अपनी रचना को UNITAS नाम दिया, एक विशिष्ट समस्या को हल करने के उद्देश्य से काम किया: यह समझना कि एक रोबोट क्या देखता है, वह क्या करता है, और उसके जवाब में दुनिया कैसे बदलती है, इन सबको एक ही साझा ढांचे के भीतर कैसे एकीकृत किया जाए। पिछले प्रयास अक्सर पूर्व-प्रशिक्षित वीडियो जनरेटरों पर निर्भर थे, जो यथार्थवादी दिखने वाली छवियां बनाने में उत्कृष्ट हैं लेकिन अक्सर भौतिकी के नियमों का पालन करने में विफल रहते हैं। एक वीडियो मॉडल यह भविष्यवाणी कर सकता है कि एक कप मेज पर फिसलता है, लेकिन यह यह भी भविष्यवाणी कर सकता है कि कप खिंच जाता है या विकृत हो जाता है जो वास्तविकता में असंभव है, या पृष्ठभूमि तब खिसक जाती है जब उसे स्थिर रहना चाहिए। नया मॉडल, UNITAS, इस दृश्य-प्रथम दृष्टिकोण को खारिज करता है। इसके बजाय, यह एक "3D-नेटिव" दुनिया बनाता है जहाँ प्रत्येक अवलोकन, प्रत्येक रोबोटिक गतिविधि, और पर्यावरण में प्रत्येक परिवर्तन को त्रि-आयामी निर्देशांकों की एक ही मीट्रिक भाषा का उपयोग करके वर्णित किया जाता है।
इस प्रणाली में, रोबोट केवल कैमरा फीड को नहीं देखता है; वह अपने आस-पास के स्थान का एक मानसिक मानचित्र बनाता है। जब रोबोट अपना हाथ या ग्रिपर (gripper) हिलाता है, तो मॉडल हवा में यात्रा करते हुए उस हाथ के विशिष्ट बिंदुओं के पथ को ट्रैक करता है। साथ ही, यह पास की किसी वस्तु, जैसे कि फूलदान या किताब, पर मौजूद बिंदुओं के बदलाव को भी ट्रैक करता है। शोधकर्ताओं ने मॉडल को वास्तविक रोबोटों की रिकॉर्डिंग, द्विपक्षीय (bimanual) कार्यों के सिमुलेशन और मानव हाथों द्वारा किए जाने वाले समान कार्यों के वीडियो सहित डेटा के एक विशाल मिश्रण पर प्रशिक्षित किया। मानव हाथ और रोबोटिक ग्रिपर की गति को एक ही प्रकार के त्रि-आयामी प्रक्षेपवक्र (trajectory) के रूप में मानकर, मॉडल ने गति की एक सार्वभौमिक भाषा सीखी। इसने सीखा कि चाहे मानव उंगली हिले या धातु का पंजा, किसी वस्तु को धकेलने की भौतिकी समान रहती है।
इस प्रणाली का मूल समय और गति को दर्शाने की एक ऐसी विधि है जो उस तरह से संरेखित है जैसे मनुष्य भौतिक दुनिया का अनुभव करते हैं। वीडियो फ्रेम गिनने के बजाय, जो कैमरे के आधार पर अलग-अलग गति के हो सकते हैं, मॉडल समय को वास्तविक सेकंड में मापता है। यह एक आंदोलन को एक एकल, निरंतर टोकन में तोड़ देता है जो एक विशिष्ट अवधि में एक बिंदु के पूरे पथ का प्रतिनिधित्व करता है। यह प्रणाली को विभिन्न स्रोतों से प्राप्त डेटा को बिना भ्रमित हुए संभालने की अनुमति देता है, जिनमें से कुछ उच्च गति पर रिकॉर्ड किए गए हैं और कुछ कम गति पर। जब मॉडल को कोई कार्य दिया जाता है, जैसे कि "फूल को फूलदान में डालें," तो यह केवल क्रिया का वीडियो उत्पन्न नहीं करता है। यह सटीक रूप से गणना करता है कि ग्रिपर को किस त्रि-आयामी पथ पर जाना चाहिए और यह भविष्यवाणी करता है कि फूल और फूलदान के बिंदु उस क्रिया को समायोजित करने के लिए ठीक कैसे हिलेंगे।
इस दृष्टिकोण के परिणाम आश्चर्यजनक हैं। परीक्षणों की एक श्रृंखला में, मॉडल ने उस स्तर की सटीकता प्रदर्शित की जिसे पिछले सिस्टम नहीं छू सके थे। यह भविष्यवाणी करने के लिए पूछे जाने पर कि रोबोट के हिलने के बाद एक दृश्य कैसे बदलेगा, UNITAS ने मौजूदा सर्वश्रेष्ठ 3D मॉडलों की तुलना में अपनी भविष्यवाणियों में त्रुटि को लगभग आधा कर दिया। जटिल हेरफेर कौशल का परीक्षण करने के लिए डिज़ाइन किए गए सिमुलेशन वातावरण में, इस प्रणाली ने LIBERO नामक एक मानक बेंचमार्क पर 99.8 प्रतिशत की सफलता दर हासिल की, जो वीडियो जनरेशन पर निर्भर बड़े मॉडलों से बेहतर प्रदर्शन करती है। इससे भी महत्वपूर्ण बात यह है कि जब शोधकर्ताओं ने वास्तविक दुनिया में वास्तविक रोबोटों पर मॉडल का परीक्षण किया, तो इसने उच्च प्रदर्शन बनाए रखा। शेल्फ पर किताबें व्यवस्थित करने और बैग में गेंद भरने जैसे कार्यों पर, रोबोट क्रमशः 90 प्रतिशत और 80 प्रतिशत समय सफल रहा, जो अन्य अग्रणी तरीकों से काफी बेहतर है।
शोधकर्ताओं ने यह भी परीक्षण किया कि सिस्टम परिवेश में होने वाले परिवर्तनों, जैसे कि अलग कैमरा कोण या अप्रत्याशित बाधाओं को कितनी अच्छी तरह संभालता है। चूंकि मॉडल एक बदलते कैमरा दृश्य के बजाय एक निश्चित त्रि-आयामी स्थान में आधारित है, इसलिए दृश्य इनपुट बदलने पर भी यह मजबूत बना रहा। यदि कैमरा हिला दिया गया हो या रोशनी बदल गई हो, तब भी यह सही ढंग से रोबोटिक हाथ चलाने का तरीका निकाल सकता था। यह सुझाव देता है कि मॉडल ने वास्तव में कार्य की ज्यामिति को सीख लिया है, न कि केवल एक विशिष्ट दृश्य पैटर्न को रटा है। केवल दृश्य उपस्थिति के बजाय क्रिया के भौतिक परिणाम की भविष्यवाणी करने की क्षमता ही इसकी मजबूती की कुंजी है।
इस कार्य का सबसे सम्मोहक पहलू विभिन्न प्रकार के रोबोटों और यहाँ तक कि मनुष्यों और मशीनों के बीच ज्ञान को स्थानांतरित करने की इसकी क्षमता है। मॉडल को मानव हाथों, एकल-हाथ वाले रोबोटों और दो-हाथ वाले रोबोटों के डेटा पर प्रशिक्षित किया गया था, फिर भी यह किसी भी स्वरूप (embodiment) पर सीखे गए ज्ञान को सहजता से लागू कर सका। जब एक मानव हाथ ने किसी कार्य का प्रदर्शन किया, तो मॉडल उस गति को रोबोटिक ग्रिपर के लिए योजना में अनुवाद कर सका, और इसके विपरीत भी। यह एकीकरण बताता है कि हेरफेर के भौतिक नियम सार्वभौमिक हैं, और त्रि-आयामी प्रवाह पर ध्यान केंद्रित करके, एक मशीन अपने विशिष्ट शरीर के आकार से स्वतंत्र होकर दुनिया के साथ बातचीत करना सीख सकती है।
इस शोध के निहितार्थ केवल बेहतर रोबोट प्रदर्शन तक ही सीमित नहीं हैं। दुनिया को एक साझा मीट्रिक स्पेस के रूप में मानकर, जहाँ क्रियाएं और उनके परिणाम सीधे जुड़े हुए हैं, शोधकर्ताओं ने 'एम्बोडीड इंटेलिजेंस' (embodied intelligence) के लिए एक नया आधार प्रदान किया है। यह दृष्टिकोण इस विचार से हटकर है कि एक रोबroट को मानव की तरह दुनिया को "देखने" की आवश्यकता है, जिसमें परिप्रेक्ष्य और प्रकाश की सभी अस्पष्टताएं शामिल हैं। इसके बजाय, यह रोबोट को भौतिक स्थान की सीधी समझ देता है। मॉडल को भविष्य का वीडियो कल्पना करने की आवश्यकता नहीं है; यह बस अंतरिक्ष में बिंदुओं के प्रक्षेपवक्र की गणना करता है। यह स्पष्टता त्वरित और अधिक विश्वसनीय निर्णय लेने की अनुमति देती है, क्योंकि सिस्टम को दृश्य भ्रमों की व्याख्या करने या कैमरा आर्टिफैक्ट्स को ठीक करने में समय बर्बाद करने की आवश्यकता नहीं होती है।
अंत में, UNITAS की सफलता इसकी अवधारणा की सरलता में निहित है, भले ही इसके पीछे का गणित जटिल हो। यह पहचानता है कि एक रोबोट के लिए दुनिया में हेरफेर करने के लिए, उसे दुनिया को तीन आयामों में समझना होगा, न कि दो में। भौतिक निर्देशांकों में अपनी भविष्यवाणियों को स्थापित करके और समय को फ्रेम के बजाय सेकंड में मापकर, मॉडल उस स्तर की सटीकता और विश्वसनीयता प्राप्त करता है जो पहले पहुंच से बाहर थी। शोधकर्ताओं ने दिखाया है कि जब आप रोबोट को फिल्म देखना बंद कर देते हैं और उसे भौतिक स्थान का मानचित्र बनाना सिखाना शुरू करते हैं, तो वह एक ऐसे आत्मविश्वास और सटीकता के साथ चलना सीख सकता है जो हमें सामान्य-उद्देश्य वाले रोबोटों के सपने के करीब लाता है जो हमारे दैनिक जीवन में हमारी मदद कर सकें। आगे का रास्ता स्पष्ट है: रोबोटिक हेरफेर का भविष्य बेहतर कैमरों में नहीं, बल्कि उस त्रि-आयामी दुनिया की गहरी और अधिक प्रत्यक्ष समझ में है जिसे हम सभी साझा करते 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।