WVAB: A Low-Latency Wireless Assistive Vision Framework for Risk-Aware Navigation and Multilingual Audio Guidance

दृष्टिहीनता वाले लाखों लोगों के लिए, दुनिया एक स्थिर चित्र नहीं बल्कि सूचनाओं की एक बदलती धारा है जिसे तुरंत समझना आवश्यक होता है। एक पैदल यात्री का रास्ते में कदम रखना, एक वाहन का बगल से आना, या किसी हॉलवे में रखी कुर्सी द्वारा रास्ता रोकना केवल दृश्य विवरण नहीं हैं; वे सुरक्षा और दिशा से जुड़े तत्काल प्रश्न हैं। पारंपरिक उपकरण जैसे सफेद छड़ी और गाइड डॉग (मार्गदर्शक कुत्ते) आवश्यक सहायता प्रदान करते हैं, लेकिन वे कोनों के पार नहीं देख सकते या "स्टॉप" साइन या नीचे लटकती हुई टहनी जैसी विशिष्ट वस्तुओं की पहचान नहीं कर सकते। इलेक्ट्रॉनिक उपकरण एक डिजिटल आंख के रूप में कार्य करके इस कमी को पूरा करने का वादा करते हैं, फिर भी यह तकनीक एक जिद्दी भौतिक वास्तविकता का सामना करती है: समय। यदि कैमरा किसी बाधा को देखता है, लेकिन कंप्यूटर उसे पहचानने में बहुत अधिक समय लेता है, या यदि मौखिक चेतावनी उपयोगकर्ता के खतरे में पड़ने से पहले पहुँचती है, तो वह जानकारी बेकार है। चुनौती केवल दुनिया को देखने की नहीं है, बल्कि इसे देखने, समझने और इसके बारे में इतनी तेज़ी से बोलने की है कि वह काम आ सके।

यह तात्कालिकता उन शोधकर्ताओं के काम को प्रेरित करती है जिन्होंने WVAB नामक एक नई प्रणाली विकसित की है, जिसे यह परीक्षण करने के लिए डिज़ाइन किया गया है कि क्या एक कम लागत वाला, वायरलेस सेटअप मानव गति की गति के साथ तालमेल बिठा सकता है। टीम ने एक नया प्रकार का कैमरा या अधिक स्मार्ट आर्टिफिशियल इंटेलिजेंस मॉडल बनाने का लक्ष्य नहीं रखा था। इसके बजाय, उन्होंने सिस्टम के हिस्सों के बीच के अदृश्य अंतराल पर ध्यान केंद्रित किया: एक तस्वीर को कैमरे से भेजने में लगने वाला समय, उसे प्रोसेस करने में लगने वाला समय, और उस समझ को एक वॉयस कमांड (आवाज़ के निर्देश) में बदलने में लगने वाला समय। उन्होंने एक प्रोटोटाइप बनाया जो छवियों को कैप्चर करने के लिए एक छोटे, सस्ते कैमरा मॉड्यूल का उपयोग करता है और उन्हें वायरलेस तरीके से कंप्यूटर पर भेजता है। फिर वह कंप्यूटर वस्तुओं की पहचान करता है, निर्णय लेता है कि आगे का रास्ता सुरक्षित है या नहीं, और एक बोले जाने वाले निर्देश को तैयार करता है। पूरी प्रक्रिया एक रिले रेस की तरह है जहाँ हर मिलीसेकंड मायने रखता है, और शोधकर्ताओं ने सटीक रूप से मापा कि प्रत्येक धावक ने बैटन पास करने में कितना समय लिया।

यह प्रणाली घटनाओं की एक विशिष्ट श्रृंखला पर निर्भर करती है। एक छोटा कैमरा, जो लगभग एक माचिस की डिब्बी के आकार का होता है, एक दृश्य को कैप्चर करता है और इमेज को छोटे टुकड़ों में तोड़कर वायरलेस नेटवर्क के माध्यम से भेजता है। मानक वीडियो कॉल के विपरीत, जो डेटा के हर एक टुकड़े के सही ढंग से पहुँचने का इंतज़ार करते हैं, यह प्रणाली "अधीर" होने के लिए डिज़ाइन की गई है। यदि इमेज का कोई हिस्सा गायब है या बहुत पुराना है, तो सिस्टम उसे फेंक देता है और उपलब्ध नवीनतम हिस्से को पकड़ लेता है। यह सुनिश्चित करता है कि कंप्यूटर हमेशा दुनिया के सबसे ताज़ा दृश्य के साथ काम कर रहा हो, न कि एक पूर्ण लेकिन पुराने चित्र के इंतज़ार में फंसा रहे। एक बार जब इमेज लैपटॉप तक पहुँच जाती है, तो सॉफ्टवेयर लोगों, कुर्सियों या वाहनों जैसी वस्तुओं की पहचान करता है। एक अलग प्रोग्राम फिर यह देखता है कि ये वस्तुएं कहाँ स्थित हैं—बाएँ, केंद्र या दाएँ—और एक सरल 'रिस्क स्कोर' (जोखिम अंक) की गणना करता है। अंत में, एक टेक्स्ट-टू-स्पीच इंजन इस जोखिम मूल्यांकन को एक छोटे, स्पष्ट कमांड जैसे "सीधे जाओ" या "रुको" में बदल देता है।

शोधकर्ताओं ने इस सेटअप का नियंत्रित परिस्थितियों में परीक्षण किया ताकि यह देखा जा सके कि क्या यह एक सख्त समय सीमा को पूरा कर सकता है। उन्होंने एक लक्ष्य निर्धारित किया कि पूरी प्रक्रिया, इमेज तैयार होने से लेकर बोले जाने वाले संदेश के बजने के लिए कतारबद्ध होने तक, 200 मिलीसेकंड से कम समय लेनी चाहिए। यह एक सेकंड का बहुत छोटा हिस्सा है, जो लगभग पलक झपकने के समय के बराबर है। एक ग्राफिक्स कार्ड से लैस लैपटॉप का उपयोग करके, जिसने गणनाओं को तेज़ किया, सिस्टम ने औसतन 78.6 मिलीसेकंड का समय प्राप्त किया। यह परिणाम बताता है कि पाइपलाइन उपयोगी होने के लिए पर्याप्त तेज़ है, जिससे 200 मिलीसेकंड की सीमा से पहले एक आरामदायक मार्जिन बचता है। हालाँकि, जब शोधकर्ताओं ने ग्राफिक्स कार्ड को हटा दिया और केवल कंप्यूटर के मुख्य प्रोसेसर पर निर्भर रहे, तो समय बढ़कर 161.3 मिलीसेकंड हो गया। हालांकि यह अभी भी सीमा के भीतर था, लेकिन सिस्टम काफी धीमा हो गया, जो प्रति सेकंड दस फ्रेम के बजाय सात से भी कम फ्रेम प्रोसेस कर पा रहा था। यह निष्कर्ष इंगित करता है कि हालांकि तर्क (logic) काम करता है, लेकिन हार्डवेयर महत्वपूर्ण है; ग्राफिक्स कार्ड की विशेष गति के बिना, सिस्टम चलने की गति के साथ तालमेल बिठाने में संघर्ष करता है।

अध्ययन ने इमेज को कंप्यूटर तक पहुँचाने के विभिन्न तरीकों की भी तुलना की। उन्होंने USB केबल के माध्यम से सीधा कनेक्शन, स्मार्टफोन से वायरलेस कनेक्शन, और छोटे वायरलेस कैमरा मॉड्यूल का परीक्षण किया। सीधा USB कनेक्शन सबसे तेज़ था, जिसमें लगभग 62.6 मिलीसेकंड लगे, जो समझ में आता है क्योंकि यह वायरलेस ट्रांसमिशन के विलंब से बचता है। स्मार्टफोन विधि सबसे धीमी थी, जिसमें 114.6 मिलीसेकंड लगे, जो संभवतः नेटवर्क पर वीडियो डेटा को पैक करने और भेजने के तरीके के कारण है। छोटा वायरलेस कैमरा मॉड्यूल, जो प्रस्तावित पहनने योग्य (wearable) डिवाइस का मुख्य हिस्सा है, आश्चर्यजनक रूप से 95.4 मिलीसेकंड में अच्छा प्रदर्शन करता है। यह स्मार्टफोन से तेज़ था और सीधे केबल से केवल थोड़ा ही धीमा था, जो यह सिद्ध करता है कि इस तरह के अनुप्रयोग के लिए एक कम लागत वाला, वायरलेस सेंसर व्यवहार्य हो सकता है। शोधकर्ताओं ने नोट किया कि कैमरा और ट्रांसमिशन विधि का चुनाव गति को बदल देता है, लेकिन तीनों विकल्प तेज़ ग्राफिक्स कार्ड के साथ सुरक्षित समय सीमा के भीतर रहे।

यह जांचने के लिए कि क्या सिस्टम सही निर्णय ले रहा है, टीम ने इसके आउटपुट की मानवीय निर्णयों के साथ तुलना की। उन्होंने सिस्टम को इनडोर और आउटडोर दृश्यों के 200 वीडियो क्लिप दिखाए और उससे तय करने को कहा कि क्या सीधे जाना है, मुड़ना है, धीमा होना है, या रुकना है। फिर उन्होंने इन निर्णयों की तुलना उन मानव एनोटेटरों (मानवीय परीक्षकों) के निर्णयों से की जिन्होंने वही क्लिप देखे थे। सिस्टम इनडोर दृश्यों के लिए 91.5 प्रतिशत बार और आउटडोर दृस्यों के लिए 87.3 प्रतिशत बार मनुष्यों के साथ सहमत रहा। सहमति का यह उच्च स्तर बताता है कि यह तय करने का तर्क सही है कि कहाँ चलना है। हालाँकि, शोधकर्ताओं ने सावधानी बरतते हुए स्पष्ट किया कि यह सहमति का अर्थ यह नहीं है कि यह सिस्टम किसी दृष्टिहीन व्यक्ति के लिए अकेले उपयोग करने के लिए सुरक्षित है। परीक्षण ने केवल यह मापा कि कंप्यूटर का तर्क स्क्रीन पर मौजूद मानव के तर्क से मेल खाता है या नहीं; इसने यह नहीं मापा कि क्या एक दृष्टिहीन व्यक्ति वास्तव में गिरने या किसी वस्तु से टकराने के बिना वास्तविक सड़क पर चल सकता है। यह एक निर्णय सहायता उपकरण (decision support tool) है, न कि गाइड डॉग या छड़ी का विकल्प।

लेखक इस बात पर जोर देते हैं कि यह कार्य एक कार्यशील प्रोटोटाइप का प्रदर्शन है, न कि बाजार के लिए तैयार कोई अंतिम उत्पाद। वे स्पष्ट रूप से कहते हैं कि इस सिस्टम का परीक्षण दृष्टिहीन या कम दृष्टि वाले प्रतिभागियों के साथ नहीं किया गया है, और न ही इसे सुरक्षा के लिए प्रमाणित किया गया है। वर्तमान संस्करण भारी काम करने के लिए लैपटॉप पर निर्भर है, जिसका अर्थ है कि यह अभी तक एक पोर्टेबल, स्व-निहित उपकरण नहीं है जिसे व्यक्ति अपने शरीर पर पहन सके। अध्ययन यह भी रेखांकित करता है कि सिस्टम दूरी को सटीक रूप से नहीं मापता है; यह अनुमान लगाता है कि कोई वस्तु कितनी करीब है कि वह चित्र में कितनी बड़ी दिख रही है, जो भ्रामक हो सकता है। इसके अलावा, सिस्टम कांच के दरवाजों जैसे पारदर्शी वस्तुओं को नहीं देख सकता या सीढ़ियों जैसे अचानक आने वाले ढलानों का पता नहीं लगा सकता यदि वे स्पष्ट रूप से दिखाई न दें। इन सीमाओं को छिपाया नहीं गया है; इन्हें इस विशिष्ट प्रयोग द्वारा हासिल की गई सीमाओं के रूप में स्पष्ट रूप से परिभाषित किया गया है।

अंततः, यह शोध पत्र वर्तमान तकनीक के साथ क्या संभव है और अभी भी क्या हल करने की आवश्यकता है, इसका एक स्पष्ट चित्र प्रस्तुत करता है। शोधकर्ताओं ने सिद्ध किया कि एक कम लागत वाला वायरलेस कैमरा, एक तेज़ कंप्यूटर और एक सरल निर्णय लेने वाला प्रोग्राम मिलकर इतनी तेज़ी से काम कर सकते हैं कि वे संभावित रूप से उपयोगी हो सकें। उन्होंने दिखाया कि देखने और बोलने के बीच के विलंब को एक पांचवें से भी कम सेकंड तक रखा जा सकता है, जो एक महत्वपूर्ण प्रगति है। फिर भी, उन्होंने यह भी स्पष्ट किया कि गति और तर्क केवल कहानी का एक हिस्सा हैं। अगले चरणों में वास्तविक उपयोगकर्ताओं के साथ सिस्टम का परीक्षण करना, यह सुनिश्चित करना कि यह वास्तविक दुनिया की अव्यवस्थित और अप्रत्याशित स्थितियों में काम करे, और एक ऐसा संस्करण बनाना शामिल है जिसे कार्य करने के लिए लैपटॉप की आवश्यकता न हो। दृष्टिबाधित लोगों के लिए वास्तव में स्वतंत्र यात्रा सहायता का मार्ग लंबा है, लेकिन यह कार्य उस सड़क के एक महत्वपूर्ण हिस्से का मानचित्र तैयार करता है, जो दिखाता है कि समय आखिरकार आवश्यकता के साथ तालमेल बिठाना शुरू कर रहा है।