From Slots to Relations: Object-Centric Graph World-Action Models for Relational Robot Manipulation
यह शोध पत्र ऑब्जेक्ट-सेंट्रिक ग्राफ वर्ल्ड-एक्शन मॉडल्स (OC-GWAM) को प्रस्तुत करता है, जो ग्राफ ट्रांसफॉर्मर्स के माध्यम से निरंतर ज्यामिति (continuous geometry) और टाइप किए गए ऑब्जेक्ट संबंधों को स्पष्ट रूप से एनकोड करता है ताकि रोबोटिक मैनिपुलेशन में वर्ल्ड-मॉडल फिडेलिटी और रिलेशनल कंपोजिशन जनरलाइजेशन में महत्वपूर्ण सुधार किया जा सके, भले ही प्रत्यक्ष एक्शन कंट्रोल प्रदर्शन सरल ज्योमेट्री-ओनली या इम्प्लिसिट अटेंशन बेसलाइन्स के साथ प्रतिस्पर्धी बना रहता है।
मूल पेपर CC BY 4.0 (https://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 रोबोट को उद्देश्यपूर्ण ढंग से चलना सिखाने के लिए, इंजीनियरों को एक ऐसी समस्या को हल करना होगा जो केवल वस्तुओं को पहचानने से कहीं अधिक व्यापक है। एक रोबोट को न केवल यह समझने की आवश्यकता है कि एक कप और एक प्लेट मौजूद हैं, बल्कि यह भी कि वे एक-दूसरे के साथ स्थान में कैसे संबंधित हैं: क्या कप प्लेट पर रखा है, उसके बाईं ओर है, या शायद किसी दराज के अंदर है? संबंधों की यह समझ ही दृश्य को देखने और उसमें कार्य करने के बीच का सेतु है। वर्षों से, शोधकर्ता ऐसी कृत्रिम बुद्धिमत्ता (आर्टिफिशियल इंटेलिजेंस) बनाने का प्रयास कर रहे हैं जो दुनिया की भविष्य की स्थिति का अनुमान लगा सके, जिसे 'वर्ल्ड मॉडल' कहा जाता है, और फिर उस भविष्यवाणी का उपयोग यह तय करने के लिए कर सके कि अगला कदम क्या उठाया जाए। हालिया शोध को प्रेरित करने वाला केंद्रीय प्रश्न यह है कि क्या इन मॉडलों को सफल होने के लिए वस्तुओं के बीच के संबंधों का स्पष्ट रूप से मानचित्रण करने की आवश्यकता है, या क्या वे केवल वस्तुओं और उनकी स्थितियों को देखकर आवश्यक गतिविधियों को समझ सकते हैं।
एक शोधकर्ता ने एक नए प्रकार का 'रोबोट ब्रेन' बनाकर इसका उत्तर देने का प्रयास किया, जो दुनिया को जुड़ी हुई वस्तुओं के एक नेटवर्क के रूप में देखता है। उन्होंने एक ऐसी प्रणाली बनाई जहाँ प्रत्येक वस्तु एक 'नोड' है, और उनके बीच के स्थान को विशिष्ट नियमों द्वारा वर्णित किया गया है, जैसे कि "स्पर्श करना," "सहारा देना," या "के बाईं ओर होना।" यह दृष्टिकोण, जिसे वे 'ऑब्जेक्ट-सेंट्रिक ग्राफ वर्ल्ड-एक्शन मॉडल' कहते हैं, रोबोट को दृश्य को अलग-अलग वस्तुओं के संग्रह के बजाय संबंधों के एक संरचित जाल के रूप में देखने की अनुमति देता है। यह परीक्षण करने के लिए कि क्या यह स्पष्ट मानचित्रण वास्तव में रोबोट को बेहतर प्रदर्शन करने में मदद करता है, शोधकर्ता ने अपने रोबोट ब्रेन के चार अलग-अलग संस्करण बनाए: एक जो केवल वस्तुओं को देखता था, एक जो केवल उनके बीच की दूरियों को देखता था, एक जो केवल संबंधों के प्रकारों को देखता था, और एक अंतिम संस्करण जो इस सभी जानकारी को मिलाकर देखता था। उन्होंने फिर इन संस्करणों को विभिन्न सिम्युलेटेड कार्यों में एक-दूसरे के विरुद्ध खड़ा किया, जिनमें सरल वस्तु चयन से लेकर जटिल परिदृश्य शामिल थे जहाँ रोबोट को निर्देशों के एक सेट के आधार पर यह तय करना था कि किस वस्तु को उठाना है।
परिणामों ने रोबोट द्वारा अपने वातावरण के साथ हेरफेर करने के तरीके के बारे में एक सूक्ष्म सत्य को प्रकट किया। उन स्थितियों में जहाँ रोबोट को स्पष्ट रूप से बताया गया था कि किस वस्तु को लक्षित करना है, केवल ज्यामितीय दूरियों पर निर्भर रहने वाले संस्करण ने अपना हाथ चलाने के मामले में अधिक जटिल मॉडलों के समान ही प्रदर्शन किया। इन मामलों में, लक्ष्य का सटीक स्थान जानना ही पर्याप्त था; संबंध डेटा का अतिरिक्त स्तर आंदोलन को अधिक सटीक नहीं बना सका। हालाँकि, कहानी तब बदल गई जब शोधकर्ता ने रोबोट को वह वस्तु चुनने का निर्देश हटा दिया जिसे उसे चुनना था। इन परीक्षणों में, रोबोट को एक संबंध के आधार पर लक्ष्य का अनुमान लगाना था, जैसे कि "लाल ब्लॉक के बाईं ओर स्थित वस्तु को उठाएं।" यहाँ, ज्यामितीय दूरियों और वर्गीकृत संबंधों को मिलाने वाला मॉडल अन्य मॉडलों की तुलना में काफी बेहतर रहा। इसने सही वस्तु की पहचान करने में कम गलतियाँ कीं और वस्तुओं की भविष्य की स्थितियों की बहुत अधिक सटीकता के साथ भविष्यवाणी की।
शोधकर्ता ने इस मॉडल का परीक्षण उन कार्यों पर करके इसे और आगे बढ़ाया जिन्हें उसने पहले कभी नहीं देखा था, जैसे कि ऐसे दृश्य जिनमें प्रशिक्षण के दौरान देखे गए वस्तुओं की तुलना में अधिक वस्तुएं थीं, या ऐसे निर्देश जिनमें दो अलग-अलग संबंध नियमों को जोड़ा गया था। इन चुनौतीपूर्ण परिदृश्यों में, पूर्ण संबंध संबंधी समझ वाला मॉडल सबसे मजबूत साबित हुआ। इसने अपनी सही लक्ष्य खोजने और भविष्य की स्थितियों की भविष्यवाणी करने की क्षमता को बनाए रखा, भले ही वस्तुओं की संख्या बढ़ गई हो या निर्देशों के लिए कई शर्तों को जोड़ने की आवश्यकता हो। दिलचस्प बात यह है कि जबकि पूर्ण संबंध मानचित्र वाला मॉडल दुनिया को समझने और यह अनुमान लगाने में सर्वश्रेष्ठ था कि आगे क्या होगा, इस बेहतर समझ का अर्थ हर एक प्रयास में भौतिक कार्य के लिए पूर्ण सफलता दर नहीं था। एक मानक रोरोबोटिक्स सिमुलेशन का उपयोग करते हुए अंतिम परीक्षण में, पूर्ण संबंध मानचित्र वाले मॉडल और केवल ज्यामिति पर निर्भर मॉडल ने कार्यों को पूरा करने में लगभग समान सफलता दर प्राप्त की, जिसमें ज्यामिति-मात्र मॉडल ने वास्तव में थोड़े अधिक प्रयासों में सफलता प्राप्त की।
यह निष्कर्ष बताता है कि हालांकि संबंधों का स्पष्ट रूप से मानचित्रण करना एक रोबोट के लिए दुनिया को समझने और सटीक भविष्यवाणियां करने के लिए महत्वपूर्ण है, लेकिन यह हमेशा यह तय करने वाला कारक नहीं होता है कि एक सरल गति सफल होगी या नहीं। यदि एक रोबोट पहले से ही वस्तुओं और उनके स्थानों को स्पष्ट रूप से देख सकता है, तो वह विस्तृत संबंध मानचित्र की आवश्यकता के बिना सही कदम उठा सकता है। हालाँकि, जब कार्य वस्तुओं के बीच परस्पर क्रिया के बारे में तर्क करने या एक जटिल विवरण के आधार पर किसी वस्तु को खोजने की मांग करता है, तो वह स्पष्ट संबंध संबंधी ज्ञान आवश्यक हो जाता है। अध्ययन यह निष्कर्ष निकालता है कि सबसे अच्छा दृष्टिकोण आवश्यक तर्क की कठिनाई पर निर्भर करता है। सरल गतिविधियों के लिए, वस्तुओं को देखना ही पर्याप्त है, लेकिन एक दृश्य को परिभाषित करने वाले जटिल अंतर्संबंधों को समझने के लिए, एक रोबोट को उनके बीच के कनेक्शन को देखने की आवश्यकता होती है। यह अंतर बेहतर AI बनाने के तरीके को स्पष्ट करता है: हमें हर काम के लिए हर रोबोट को गहरे संबंधों को समझने के लिए मजबूर करने की आवश्यकता नहीं है, लेकिन जब कार्य की मांग हो, तो हमें उन्हें वह क्षमता अवश्य देनी चाहिए।
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।