BOP-Distrib++: Local Symmetry Discovery for 6D Pose Benchmarking Under Visual Ambiguities

रोबोट और ऑगमेंटेड रियलिटी सिस्टम एक मौलिक क्षमता पर निर्भर करते हैं: यह जानना कि कोई वस्तु अंतरिक्ष में ठीक कहाँ है और वह किस दिशा में मुड़ी हुई है। छह-आयामी (six-dimensional) पोज़ एस्टीमेशन के रूप में जानी जाने वाली यह कार्य प्रक्रिया, किसी वस्तु की तीन-आयामी स्थिति और कैमरे के सापेक्ष उसकी तीन-आयामी दिशा की गणना करने से जुड़ी है। यह वह अदृश्य तर्क है जो एक रोबोटिक हाथ को उपकरण पकड़ने या एक डिजिटल ओवरले को चलती हुई वस्तु पर स्थिर रहने की अनुमति देता है। इस तकनीक के काम करने के लिए, कंप्यूटरों को छवियों के विशाल पुस्तकालयों पर प्रशिक्षित किया जाना चाहिए जहाँ सही उत्तर पहले से ज्ञात हो। हालाँकि, इन उत्तरों को प्रदान करने के तरीके में एक छिपा हुआ दोष लंबे समय से उन एल्गोरिदम के मूल्यांकन को पक्षपाती बना रहा है जिन्हें इस पहेली को हल करने के लिए डिज़ाइन किया गया है। समस्या तब उत्पन्न होती है जब कोई वस्तु अलग-अलग कोणों से एक जैसी दिखती है, या जब उसके कुछ हिस्से छिपे होते हैं। दृश्य अस्पष्टता के इन क्षणों में, कोई एक एकल सही उत्तर नहीं होता; वहाँ कई वैध संभावनाएँ होती हैं।

वर्षों तक, इन प्रणालियों के परीक्षण के मानक तरीके ने प्रत्येक वस्तु के साथ ऐसा व्यवहार किया जैसे कि उसका केवल एक ही वास्तविक स्थान हो, भले ही चित्र इसके विपरीत संकेत दे रहा हो। शोधकर्ताओं ने एक एकल 'ग्राउंड-ट्रूथ' स्थिति ली और समरूपता (symmetry) को समझाने के लिए नियमों का एक निश्चित सेट लागू किया, यह मानते हुए कि ये नियम उस वस्तु की प्रत्येक तस्वीर पर समान रूप से लागू होते हैं। इस दृष्टिकोण ने दृश्य की वास्तविकता की अनदेखी की। यदि कैमरा एक कप के चिकने, गोल हिस्से को देखता है, तो कंप्यूटर यह नहीं बता सकता कि कप सीधा है या उल्टा। यदि एक छेद दिखाई देता है, तो उत्तर स्पष्ट हो जाता है। पुराना तरीका एक भ्रमित करने वाले, अस्पष्ट दृश्य और एक स्पष्ट, निर्विवाद दृश्य के बीच अंतर करने में विफल रहा, और भ्रमित करने वाले दृश्य को भी स्पष्ट दृश्य के समान ही माना। इसका अर्थ था कि इन एल्गोरिदम को रैंक करने के लिए उपयोग किए जाने वाले बेंचमार्क एक त्रुटिपूर्ण नींव पर बने थे, जो संभावित रूप से उन तरीकों को पुरस्कृत कर रहे थे जिन्होंने भाग्य से सही अनुमान लगाया, जबकि उन तरीकों को दंडित कर रहे थे जिन्होंने सही ढंग से कई संभावनाओं की पहचान की थी।

Université Paris-Saclay और अन्य संस्थानों के शोधकर्ताओं की एक टीम ने अब BOP-Distrib++ नामक एक नए दृष्टिकोण के साथ इस चूक को सुधारा है। प्रत्येक छवि के लिए एक एकल स्थिर उत्तर निर्धारित करने के बजाय, उन्होंने वास्तव में प्रत्येक फोटो में क्या दिखाई दे रहा है, इसके आधार पर किसी वस्तु की विशिष्ट समरूपताओं को स्वचालित रूप से खोजने की एक विधि विकसित की। उन्होंने वस्तुओं के 3D डिजिटल मॉडल का विश्लेषण करके उनकी अंतर्निहित समरूपताओं, जैसे कि घूर्णी पैटर्न या सपाट सतहों को खोजने से शुरुआत की जो विभिन्न कोणों से एक जैसी दिखती हैं। फिर, अपने डेटासेट की प्रत्येक छवि के लिए, उन्होंने कैमरे के दृश्य का अनुकरण (simulate) किया ताकि यह निर्धारित किया जा सके कि वस्तु के कौन से हिस्से छिपे हुए हैं और कौन से दृश्यमान हैं। वस्तु के आकार को विशिष्ट दृश्य के साथ जोड़कर, उन्होंने उस सटीक क्षण के लिए संभावित स्थितियों का एक अनूठा सेट तैयार किया। इस प्रक्रिया ने 'ग्राउंड ट्रुथ' को एक एकल बिंदु से बदलकर संभावनाओं के एक वितरण (distribution) में बदल दिया, जो सटीक रूप से दर्शाता है कि दृश्य स्पष्ट था या भ्रमित करने वाला।

शोधकर्ताओं ने दुनिया के अग्रणी पोज़ एस्टीमेशन तरीकों का परीक्षण करने के लिए उपयोग किए जाने वाले मानक डेटासेट्स पर इस नई, अधिक सटीक लेबलिंग प्रणाली को लागू किया। जब उन्होंने शीर्ष प्रदर्शन करने वाले एल्गोरिदम का पुनर्मूल्यांकन इन छवि-विशिष्ट वितरणों का उपयोग करके किया, तो परिणाम नाटकीय रूप से बदल गए। जो विधियाँ पहले शीर्ष पर थीं, उनके स्कोर में काफी गिरावट आई, जबकि अन्य की रैंकिंग में सुधार हुआ। यह बदलाव इसलिए हुआ क्योंकि पुराने बेंचमार्क बहुत उदार थे; उन्होंने उन उत्तरों को स्वीकार कर लिया था जो तकनीकी रूप से वस्तु के एक अलग दृश्य के लिए सही थे, भले ही वे दिखाए गए विशिष्ट चित्र के लिए गलत थे। नए मूल्यांकन ने खुलासा किया कि कई अत्याधुनिक (state-of-the-art) प्रणालियाँ आंशिक दृश्यों या सममित आकृतियों का सामना करने पर उतनी मजबूत नहीं थीं जितनी पहले मानी जाती थीं। अध्ययन ने दिखाया कि जब परीक्षण निष्पक्ष होता है और विशिष्ट दृश्य संदर्भ को ध्यान में रखता है, तो इन तकनीकों का प्रदर्शन परिदृश्य पूरी तरह से अलग होता है।

एकल-उत्तर प्रणालियों की रैंकिंग को ठीक करने के परे, इस कार्य ने संभावनाओं के एक पूरे सेट की भविष्यवाणी करने वाले तरीकों की एक नई पीढ़ी के मूल्यांकन के द्वार भी खोल दिए। अब तक, इन मल्टी-पोज़ (multi-pose) विधियों का परीक्षण केवल सिंथेटिक, कंप्यूटर-जनरेटेड छवियों पर ही किया जा सकता था क्योंकि वास्तविक दुनिया के डेटासेट्स में आवश्यक एनोटेशन की कमी थी। इन नए छवि-दर-छवि वितरणों के साथ, शोधकर्ता पहली बार इन उन्नत प्रणालियों का वास्तविक फोटोग्राफ पर परीक्षण करने में सक्षम हुए। उन्होंने पाया कि जबकि सिंगल-पोज़ विधियाँ स्पष्ट दृश्य होने पर एक विशिष्ट स्थान को सटीक रूप से बताने में बेहतर थीं, वहीं मल्टी-पोज़ विधियाँ अस्पष्ट दृश्य के दौरान संभावनाओं की पूरी श्रृंखला को पकड़ने में उत्कृष्ट थीं। संभावनाओं की एक विस्तृत सूची बनाने की यह क्षमता वास्तविक दुनिया के अनुप्रयोगों के लिए अत्यंत महत्वपूर्ण है जहाँ एक रोबोट को यह समझने की आवश्यकता होती है कि किसी वस्तु के एक से अधिक स्थानों में होने की संभावना है, इससे पहले कि वह उसके साथ अंतःक्रिया (interact) करे।

अध्ययन निष्कर्ष निकालता है कि मशीन विज़न में सफलता को मापने का तरीका वास्तविक दुनिया की जटिलता के अनुरूप विकसित होना चाहिए। एक कठोर, 'एक-आकार-सभी-के-लिए-फिट' (one-size-fits-all) परिभाषा से हटकर और दृश्य अस्पष्टता की तरल प्रकृति को अपनाकर, शोधकर्ता अब ऐसी प्रणालियाँ बना और परीक्षण कर सकते हैं जो कारखानों, घरों और बाहरी परिवेशों के अप्रत्याशित वातावरण के लिए वास्तव में तैयार हैं। यह कार्य दृश्य अस्पष्टता की समस्या को हल करने का दावा नहीं करता है, बल्कि इसने सटीक रूप से इस क्षेत्र का पहला मानचित्र प्रदान किया है, जिससे भविष्य के नवाचार अधिक सटीकता और विश्वसनीयता के साथ आगे बढ़ सकें।