From Pixels to Registers: A Multi-Modal Testing Framework for Chained Perception, Control and Firmware

रोबोट जो दुनिया को देखना सीखते हैं, अक्सर गलत चीजें सीखते हैं। जब इंजीनियर फोटोग्राफ्स का उपयोग करके एक रोबोट को प्रशिक्षित करते हैं, तो मशीन विशिष्ट बनावट (textures), प्रकाश की स्थितियों और अपने प्रशिक्षण कक्ष के फर्श के सटीक शेड को पहचानना सीख लेती है। यदि उस रोबोट को अलग प्रकाश व्यवस्था या अलग फर्श पैटर्न वाले नए कमरे में ले जाया जाता है, तो वह अक्सर विफल हो जाता है, इसलिए नहीं कि वह किसी बाधा के आकार को नहीं देख सकता, बल्कि इसलिए क्योंकि पिक्सेल अलग दिखते हैं। मानक समाधान यह रहा है कि रोबोट को अधिक से अधिक विविध चित्र दिए जाते हैं, इस उम्मीद में कि वह अंततः विकर्षणों (distractions) को अनदेखा करना सीख जाएगा। हालांकि, एक नया दृष्टिकोण एक अलग मार्ग का सुझाव देता है: रोबोट को शोर (noise) को अनदेखा करना सिखाने के बजाय, उस शोर को रोबोट के देखने से पहले ही हटा दें। रंग, बनावट और छाया को हटाकर, और रोबोट को दुनिया की एक साफ रूपरेखा (outline) प्रस्तुत करके, शोधकर्ता उसे उस ज्यामिति (geometry) पर ध्यान केंद्रित करना सिखा सकते हैं जो गति के लिए वास्तव में महत्वपूर्ण है।

एक शोधकर्ता ने इस विचार को सिद्ध करने के लिए एक परीक्षण प्रणाली बनाई है, जो एक रोबोट के देखने और उसके चलने के बीच एक सेतु बनाती है। उनका कार्य एक दो-चरणीय प्रक्रिया पर केंद्रित है। पहले चरण में, एक कंप्यूटर प्रोग्राम एक वास्तविक फोटोग्राफ लेता है और उसे एक सरल रेखा चित्र (line drawing) में बदल देता है जो नंबरों द्वारा वस्तुओं की पहचान करने वाले एक मानचित्र के साथ जुड़ा होता है। यह अमूर्तीकरण (abstraction) सभी दृश्य अव्यवस्था को हटा देता है। दूसरे चरण में, एक नियंत्रण प्रणाली (control system) केवल इन साफ रूपरेखाओं का उपयोग करके रोबटेज को चलाना सीखती है। क्योंकि नियंत्रण प्रणाली ने कभी फोटोग्राफ नहीं देखा है, इसलिए वह गलती से किसी विशिष्ट फर्श के रंग या छाया पर निर्भर नहीं हो सकती है। वह केवल दुनिया के आकार को सीखती है। इसका परीक्षण करने के लिए, शोधकर्ता ने एक सिम्युलेटर बनाया जो इन संरेखित छवियों को उत्पन्न करता है और, महत्वपूर्ण रूप से, कंप्यूटर के भीतर रोबोट के वास्तविक नियंत्रण सॉफ्टवेयर को चलाता है। यह उन्हें यह देखने की अनुमति देता है कि क्या रोबोट का मस्तिष्क एक साधारण रेखाचित्र को वास्तविक भौतिक कमांड में अनुवादित कर सकता है जो मशीन पर काम करते हैं।

शोधकर्ता ने पाया कि यह विधि बहुत कम डेटा के साथ भी सीखने योग्य डेटा (learnable data) प्रदान करती है। उन्होंने फोटो को रेखा चित्रों में बदलने के लिए केवल 479 छवियों पर एक धारणा नेटवर्क (perception network) को प्रशिक्षित किया। हालांकि नेटवर्क हर एक रेखा को खींचने में पूर्ण नहीं था, लेकिन इसने दृश्य के आवश्यक आकारों और सिल्हूट (silhouettes) को सफलतापूर्वक कैप्चर किया। इससे भी महत्वपूर्ण बात यह है कि उन्होंने एक ऐसी नियंत्रण नीति (control policy) का परीक्षण किया जिसने अपने जीवन में कभी भी फोटोग्राफ नहीं देखा था। इस नीति को एक विशेषज्ञ ड्राइवर की नकल करने के लिए प्रशिक्षित किया गया था जिसे हर वस्तु के सटीक स्थान का पता था। जब नियंत्रण नीति को केवल रेखा चित्रों और सिमेंटिक मैप्स दिए गए, तो उसने हर परीक्षण परिदृश्य में, आठ में से आठ बार, रोबोट को सफलतापूर्वक अपने लक्ष्य तक पहुँचाया। इसके विपरीत, एक रोबोट जो स्टीयरिंग किए बिना सीधे आगे बढ़ रहा था, उन समान दृश्यों में लक्ष्य तक पहुँचने में विफल रहा। इसने सिद्ध किया कि सरलीकृत दृश्य इनपुट में प्रभावी ढंग से नेविगेट करने के लिए पर्याप्त जानकारी थी, हालांकि लेखक आगाह करते हैं कि ये परिणाम एक छोटे पैमाने के प्रयोग से हैं और इन्हें प्रतिस्पर्धी परिणामों के बजाय इस प्रमाण के रूप में देखा जाना चाहिए कि उपकरण 'लर्नेबल डेटा' उत्पन्न करता है।

शोधकर्ता ने यह भी पता लगाया कि उनके शुरुआती अनुमान कि सिस्टम क्यों विफल हो सकता है, गलत थे। उन्हें पहले संदेह था कि रोबोट इसलिए विफल हुआ क्योंकि उसके पास पर्याप्त प्रशिक्षण डेटा नहीं था, लेकिन डेटा की मात्रा को दोगुना करने से प्रदर्शन वास्तव में और खराब हो गया। उन्होंने फिर संदेह किया कि रोबोट का "मस्तिष्क" छवियों को समझने के लिए बहुत छोटा था, लेकिन वास्तविक समस्या यह थी कि रोबोट जानकारी को कैसे संसाधित (process) कर रहा था। सिस्टम पूरी छवि को एक एकल संख्या में औसत (average) निकाल रहा था, जो यह तो बताता था कि लक्ष्य का कितना हिस्सा दिखाई दे रहा है लेकिन यह नहीं कि लक्ष्य कहाँ स्थित है। जैसे ही उन्होंने सिस्टम को वस्तुओं की क्षैतिज स्थिति (horizontal position) को ट्रैक करने के लिए बदला, रोबोट पूरी तरह से विफल होने से लेकर हर बार सफल होने तक पहुँच गया। इसने इस बात पर प्रकाश डाला कि स्टीयर करने के लिए, एक रोबोट को यह जानने की आवश्यकता है कि लक्ष्य किस तरफ है, न कि केवल यह कि लक्ष्य मौजूद है।

यह सुनिश्चित करने के लिए कि रोबोट के कमांड वास्तव में काम कर रहे हैं, शोधकर्ता ने एक कठोर परीक्षण गेट बनाया जिसने बहुत निचले स्तर पर रोबोट के सॉफ्टवेयर की जांच की। उन्होंने एक ही कमांड को दो अलग-अलग प्रणालियों के माध्यम से चलाया: एक जो मोटर के घूमने के भौतिक परिणाम का अनुकरण करता था, और दूसरा जो स्वयं मोटर कंट्रोलर के भीतर इलेक्ट्रॉनिक रजिस्टरों का अनुकरण करता था। उन्होंने पाया कि दोनों प्रणालियाँ हमेशा सहमत नहीं होती थीं। उदाहरण के लिए, जब रोबोट को बहुत धीरे चलने के लिए कहा गया, तो सरल सिमुलेशन ने कहा कि वह थोड़ा सा चलेगा, लेकिन विस्तृत इलेक्ट्रॉनिक सिमुलेशन ने दिखाया कि मोटर बिल्कुल भी नहीं चलेगी क्योंकि कमांड मोटर के आंतरिक प्रतिरोध को पार करने के लिए बहुत कमजोर था। इसने खुलासा किया कि सरल सिमुलेशन उन महत्वपूर्ण विफलताओं को छिपा सकते हैं जो तब सामने आती हैं जब सॉफ्टवेयर वास्तव में हार्डवेयर के भौतिक विज्ञान (physics) के साथ इंटरैक्ट करता है।

इन सफलताओं के बावजूद, शोधकर्ता सावधानीपूर्वक नोट करते हैं कि उनके परिणाम इस नियंत्रित सिमुलेशन के लिए विशिष्ट हैं। रोबोट का परीक्षण एक आभासी वातावरण (virtual environment) में किया गया था, और अंतिम प्रमाण—यह दिखाना कि यह विधि पारंपरिक फोटो-आधारित प्रशिक्षण की तुलना में बेहतर काम करती है जब वास्तविक दुनिया बदल जाती है—अभी तक प्रदर्शित नहीं किया गया है। उनके द्वारा बनाया गया सिस्टम उस विचार का परीक्षण करने के लिए एक उपकरण है, न कि स्वयं अंतिम उत्तर। उन्होंने दिखाया है कि एक रोबोट केवल रेखाचित्रों का उपयोग करके गाड़ी चलाना सीख सकता है और उनका परीक्षण ढांचा सॉफ्टवेयर की सूक्ष्म त्रुटियों को पकड़ सकता है जिन्हें अन्य विधियां मिस कर देती हैं। यह कार्य एक सैद्धांतिक विचार को एक मापने योग्य प्रयोग में बदल देता है, यह सिद्ध करते हुए कि जो रोबोट के देखने की प्रक्रिया को सरल बनाता है, वह उसकी समझ को अधिक मजबूत और उसके नियंत्रण को अधिक विश्वसनीय बना सकता है।