Hybrid Visual Perception and LLM Framework for Service Robot Planning and Navigation
यह शोध पत्र एक हाइब्रिड फ्रेमवर्क का प्रस्ताव करता है जो हल्के एम्बेडेड प्लेटफॉर्म पर सर्विस रोबोट्स के लिए कुशल, कम-विलंबता वाले कार्य नियोजन और नेविगेशन को सक्षम करने हेतु तेज़ डीप-लर्निंग-आधारित विज़ुअल परसेप्शन को लार्ज लैंग्वेज मॉडल रीजनिंग के साथ एकीकृत करता है, जिससे उच्च सफलता दर प्राप्त होती है और यह गणनात्मक रूप से गहन विजन-लैंग्वेज मॉडल बेसलाइन्स से काफी बेहतर प्रदर्शन करता 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
सर्विस रोबोट अब केवल भविष्य की एक अवधारणा मात्र नहीं रह गए हैं; वे अस्पतालों, होटलों और सार्वजनिक स्थानों पर दिखाई देने लगे हैं, जिन्हें लोगों का मार्गदर्शन करने और सरल कार्य करने का काम सौंपा गया है। इन मशीनों के वास्तव में उपयोगी होने के लिए, उन्हें केवल एक पूर्व-निर्धारित पथ का अनुसरण करने से कहीं अधिक करने की आवश्यकता है। उन्हें यह समझने की आवश्यकता है कि एक मानव उनसे क्या करने के लिए कह रहा है, बाधाओं से बचने या विशिष्ट वस्तुओं को खोजने के लिए अपने आसपास की दुनिया को देखने की आवश्यकता है, और फिर काम पूरा करने के लिए कैसे आगे बढ़ना है, यह तय करने की आवश्यकता है। चुनौती लंबे समय से यह रही है कि कैसे इन तीन क्षमताओं—भाषा को समझने, वातावरण को देखने और गति की योजना बनाने—को एक एकल प्रणाली में संयोजित किया जाए जो मदद करने के लिए पर्याप्त स्मार्ट हो, लेकिन रोबोट के अपने ऑनबोर्ड कंप्यूटर पर चलने के लिए पर्याप्त छोटी और तेज़ भी हो।
वर्षों तक, शोधकर्ताओं ने एक विशाल, 'ऑल-इन-वन' आर्टिफिशियल इंटेलिजेंस सिस्टम बनाकर इसे हल करने का प्रयास किया है जो एक साथ सब कुछ करने की कोशिश करता है। ये प्रणालियाँ, जिन्हें अक्सर विजन-लैंग्वेज मॉडल कहा जाता है, अविश्वसनीय रूप से शक्तिशाली होती हैं क्योंकि वे एक तस्वीर देख सकती हैं और एक वाक्य पढ़ सकती हैं। हालाँकि, वे अविश्वसनीय रूप से भारी भी होती हैं, जिन्हें भारी मात्रा में कंप्यूटिंग शक्ति की आवश्यकता होती है जो एक छोटे, बैटरी से चलने वाले रोबोट के भीतर फिट नहीं हो सकती। यह एक दुविधा पैदा करता है: एक ऐसा रोबोट जो जटिल निर्देशों को समझने के लिए पर्याप्त स्मार्ट है लेकिन वास्तविक समय में प्रतिक्रिया देने के लिए बहुत धीमा है, या एक ऐसा रोबोट जो तेज़ है लेकिन यह समझने में बहुत मंद है कि वह क्या देख रहा है।
इंडोनेशिया, जापान और बेल्जियम के शोधकर्ताओं की एक टीम ने आगे बढ़ने का एक अलग तरीका प्रस्तावित किया है। एक विशाल, सर्व-समावेशी मस्तिष्क को सब कुछ करने के लिए मजबूर करने के बजाय, उन्होंने एक ऐसा सिस्टम बनाया है जो काम को दो विशिष्ट भागों में विभाजित करता है जो एक-दूसरे से बात करते हैं। उनके नए फ्रेमवर्क में, एक तेज़, हल्का विजुअल सिस्टम वस्तुओं को पहचानने का काम संभालता है, जबकि एक अलग लैंग्वेज मॉडल निर्देशों को समझने और योजना बनाने का काम संभालता है। यह अलगाव रोबोट को एक बड़े बाहरी सर्वर की आवश्यकता के बिना एक छोटे, एम्बेडेड कंप्यूटर पर चलने की अनुमति देता है। शोधकर्ताओं ने इस दृष्टिकोण का परीक्षण एक गाइड रोबोट पर किया जिसे सार्वजनिक भवनों में लोगों को रास्ता दिखाने के लिए डिज़ाइन किया गया था, और उन्होंने पाया कि कार्यों को अलग रखने से, रोबोट उच्च सटीकता के साथ जटिल कमांड को समझ सकता था, वस्तुओं को खोज सकता था और विशिष्ट स्थानों तक जा सकता था, और यह सब करते हुए वह ऑल-वन-इन-वन सिस्टम की तुलना में बहुत तेज़ी से प्रतिक्रिया कर सकता था।
जिस रोबोट का उन्होंने उपयोग किया वह एक मानक मोबाइल बेस पर बना था लेकिन इसे एक सिंगल कैमरा और जेटसन ओरिन नैनो (Jetson Orin Nano) नामक एक कॉम्पैक्ट कंप्यूटर चिप से लैस किया गया था। यह चिप आधुनिक सॉफ़्टवेयर चलाने के लिए पर्याप्त शक्तिशाली है लेकिन इतनी छोटी है कि उस रोबोट पर फिट हो सके जिसे दीवार के आउटलेट से बंधे बिना स्वतंत्र रूप से घूमने की आवश्यकता है। शोधकर्ताओं ने सिस्टम को मानव से प्राकृतिक भाषा के कमांड स्वीकार करने के लिए प्रोग्राम किया, जैसे कि "फ्रंट ऑफिस जाओ और किसी व्यक्ति को ढूँढो।" जब रोबोट को ऐसा कमांड प्राप्त होता है, तो सिस्टम का भाषा वाला भाग उसे चरणों की एक सूची में तोड़ देता है। यह तय करता है कि रोबोट को एक विशिष्ट स्थान पर जाने की आवश्यकता है और फिर एक व्यक्ति को खोजने की आवश्यकता है। महत्वपूर्ण रूप से, यह विजुअल भाग को ठीक वही बताता है जिसे उसे खोजना है, बजाय इसके कि विजुअल सिस्टम से यह अनुमान लगाने के लिए पूछे कि क्या महत्वपूर्ण हो सकता है।
श्रम का यह विभाजन ही इस सिस्टम की गति की कुंजी है। पारंपरिक ऑल-इन-वन सिस्टम में, कंप्यूटर को पूरी छवि और पूरे वाक्य को एक साथ प्रोसेस करना पड़ता है, जिसमें बहुत समय लगता है। इस नए सेटअप में, लैंग्वेज मॉडल जल्दी से निर्णय लेता है कि रोबोट को एक "व्यक्ति" को देखने की आवश्यकता है, और फिर वह विजुअल डिटेक्टर को केवल उस विशिष्ट वस्तु को खोजने के लिए एक सरल, छोटा निर्देश भेजता है। विजुअल डिटेक्टर, जिसे बहुत तेज़ बनाया गया है, कैमरा फीड को स्कैन करता है और रिपोर्ट करता है कि क्या उसने व्यक्ति को देखा है। क्योंकि विजुअल सिस्टम कमरे की हर चीज़ का विश्लेषण करने में समय बर्बाद नहीं कर रहा है, और लैंग्वेज सिस्टम पिक्सेल की व्याख्या करने में समय बर्बाद नहीं कर रहा है, इसलिए पूरी प्रक्रिया बहुत तेज़ी से होती है। शोधकर्ताओं ने इस गति के अंतर को मापा और पाया कि उनका स्प्लिट सिस्टम ऑल-इन-वन सिस्टम की तुलना में तीन से बीस गुना तेज़ था, इस पर निर्भर करते हुए कि कंप्यूटर स्थानीय रूप से चल रहा था या क्लाउड सर्वर से जुड़ रहा था।
यह देखने के लिए कि क्या वास्तव में यह दृष्टिकोण काम करता है, टीम ने वास्तविक दुनिया में परीक्षणों की एक श्रृंखला आयोजित की। पहले, उन्होंने अकेले मूवमेंट कमांड का पालन करने की क्षमता के लिए रोबटेज का परीक्षण किया, जैसे कि उसे निकटतम कमरे या फ्रंट ऑफिस में जाने के लिए कहना। इन परीक्षणों में, रोबोट ने सफलतापूर्वक अपना मार्ग बनाया और 96 प्रतिशत समय सही गंतव्य पर पहुँचा। इसके बाद, उन्होंने विजुअल घटक जोड़ा, रोबोट को एक स्थान पर जाने और फिर एक विशिष्ट वस्तु, जैसे कि फायर हाइड्रेंट, एक कुर्सी या एक व्यक्ति को खोजने के लिए कहा। इन अधिक जटिल परिदृश्यों में, जहाँ रोबोट को नेविगेट करना था और फिर खोजना था, सिस्टम 84 प्रतिशत समय सफल रहा। जो कुछ विफलताएं हुईं, वे आमतौर पर इसलिए थीं क्योंकि रोबोट के सिंगल कैमरे को यह तय करने में कठिनाई हुई कि वह वस्तु के कितने करीब है, जिससे वह थोड़ा जल्दी या थोड़ा देर से रुक गया, बजाय इसके कि वह कमांड को समझने में विफल रहा या वस्तु को देखने में विफल रहा।
शोधकर्ताओं ने इस सिस्टम को कंप्यूटर सिमुलेशन से बाहर निकाला और एक वास्तविक इमारत के लॉबी में वास्तविक भौतिक रोबोट पर लगाया। उन्होंने इसे उसी प्रकार के कमांड दिए, और रोबोट ने कार्यों को विश्वसनीयता से पूरा किया, स्थान के माध्यम से नेविगेट किया, लोगों को खोजने के लिए रुका, और उपयोगकर्ता को वापस जवाब दिया। इस वास्तविक दुनिया के परीक्षण ने पुष्टि की कि सिस्टम वास्तविक वातावरण की जटिलताओं को संभाल सकता है, जिसमें चलते हुए लोग और बदलती रोशनी की स्थितियां शामिल हैं, बिना किसी स्ट्रक्चरल बदलाव के। परिणामों ने दिखाया कि रोबोट मानव की आवाज़ की व्याख्या कर सकता है, यह तय कर सकता है कि कहाँ जाना है, जो आवश्यक है उसे ढूँढ सकता है, और कार्य को निष्पादित कर सकता है, और यह सब एक छोटे कंप्यूटर पर चलते हुए किया जा सकता है जो रोबोट पर ही फिट बैठता है।
अध्ययन का सुझाव है कि सर्विस रोबोट का भविष्य रोबोट के मस्तिष्क को बड़ा और अधिक जटिल बनाने पर नहीं, बल्कि वे कैसे सोचते हैं, इसे व्यवस्थित करने पर निर्भर हो सकता है। देखने के काम को तर्क करने के काम से अलग करके, शोधकर्ताओं ने प्रदर्शित किया कि एक रोबटेज अत्यधिक सक्षम और कुशल दोनों हो सकता है। जबकि ऑल-इन-वन सिस्टम प्रभावशाली हैं, वे अक्सर मोबाइल रोबोट के व्यावहारिक उपयोग के लिए बहुत भारी होते हैं। यह हाइब्रिड दृष्टिकोण एक ऐसा रास्ता प्रदान करता है जहाँ रोबोटों को अस्पतालों, होटलों और कार्यालयों में लोगों की सहायता करने के लिए तैनात किया जा सकता है, जो निर्देशों पर तेज़ी से प्रतिक्रिया करते हैं और भीड़भाड़ वाले स्थानों में सुरक्षित रूप से चलते हैं। यह कार्य यह दावा नहीं करता है कि इसने रोबोटिक्स की हर समस्या को हल कर दिया है, लेकिन यह ऐसे रोबोट बनाने के लिए एक स्पष्ट और सिद्ध तरीका प्रदान करता है जो मदद करने के लिए पर्याप्त स्मार्ट और उपयोगी होने के लिए पर्याप्त तेज़ 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।