EviNav: Evidence-Driven Grounding and Validated Termination for Zero-Shot Instance Navigation
EviNav एक प्रशिक्षण-मुक्त (training-free), साक्ष्य-आधारित ढांचा है जो ज़ीरो-शॉट इंस्टेंस नेविगेशन के लिए मल्टी-व्यू विजुअल और सिमेंटिक साक्ष्य को संचित करता है ताकि लक्ष्यों को मजबूती से पहचाना जा सके और समाप्ति निर्धारित की जा सके, जिससे इमेज- और टेक्स्ट-गोल नेविगेशन कार्यों में अत्याधुनिक सफलता दर प्राप्त होती 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
कल्पना कीजिए कि एक रोबोट को एक ऐसे कमरे में भेजा गया है जिसे उसने पहले कभी नहीं देखा है, और उसे एक विशिष्ट वस्तु खोजने का कार्य दिया गया है। चुनौती केवल किसी कुर्सी या मेज को खोजने की नहीं है, बल्कि उस एक विशेष कुर्सी या मेज को खोजने की है जो किसी विशिष्ट विवरण या मानव द्वारा प्रदान की गई एक एकल तस्वीर से मेल खाती हो। यह 'इंस्टेंस नेविगेशन' (instance navigation) का मूल है। साधारण कार्यों के विपरीत जहाँ रोबोट को केवल एक निश्चित प्रकार की किसी भी वस्तु को खोजना होता है, इसके लिए मशीन को लगभग एक जैसी वस्तुओं के बीच अंतर करने, बाधाओं के चारों ओर घूमने और यह तय करने की आवश्यकता होती है कि उसने सही वस्तु पा ली है। कठिनाई इस बात में है कि रोबोट केवल अनुमान नहीं लगा सकता; उसे यह सुनिश्चित करने के लिए पर्याप्त दृश्य प्रमाण जुटाने होंगे कि वह सही है, और यह सब उसे कार्य समाप्त होने से पहले दिए गए कदमों की सख्त सीमा के भीतर करना होगा। यदि वह बहुत जल्दी रुक जाता है, तो वह गलत वस्तु चुन सकता है; यदि वह बहुत लंबे समय तक खोज जारी रखता है, तो उसके कदम समाप्त हो जाएंगे और वह विफल हो जाएगा।
यूनिवर्सिटी ऑफ ससेक्स के शोधकर्ताओं ने इस समस्या को हल करने के लिए 'एवीनेव' (EviNav) नामक एक नई प्रणाली विकसित की है, जिसे बिना रोबोट को विशिष्ट कमरों या वस्तुओं पर प्रशिक्षित किए उपयोग किया जा सकता है। हजारों उदाहरणों से सीखने के बजाय, यह प्रणाली वास्तविक समय में जो कुछ भी वह देखती है, उसके बारे में तर्क करने के लिए तार्किक नियमों और शक्तिशाली, पूर्व-मौजूदा आर्टिफिशियल इंटेलिजेंस टूल्स के एक सेट का उपयोग करती है। यह प्रणाली चलते समय वातावरण का एक मानसिक मानचित्र बनाती है, संभावित लक्ष्यों को ट्रैक करती है, और लगातार खुद से पूछती है: "क्या यह सही वस्तु है, और क्या मेरे पास रुकने के लिए पर्याप्त प्रमाण हैं?" शोधकर्ताओं ने इस दृष्टिकोण का परीक्षण हजारों सिम्युलेटेड परिदृश्यों और वास्तविक कार्यालयों एवं प्रयोगशालाओं में एक भौतिक रोबोट पर किया, जिसमें पाया गया कि यह प्रमाण जुटाने और निर्णय लेने की प्रक्रिया के प्रति अधिक सावधान रहकर पिछले तरीकों से काफी बेहतर प्रदर्शन करता है।
इस प्रणाली का केंद्र त्वरित निर्णय लेने के बजाय साक्ष्य संचय करने की विधि है। जब रोबोट को एक पाठ्य विवरण दिया जाता है, जैसे कि "एक सफेद शौचालय जिसकी सीट पीली है," तो वह केवल पहली सफेद दिखने वाली वस्तु को देखकर नहीं रुक जाता। इसके बजाय, वह प्रत्येक संभावित वस्तु को एक परिकल्पना (hypothesis) मानता है जिसे सत्यापन की आवश्यकता है। रोबोट विभिन्न कोणों से वस्तु के चारों ओर घूमता है और अलग-अलग दृष्टिकोणों से तस्वीरें लेता है। फिर वह एक विजन-लैंग्वेज मॉडल—जो एक प्रकार का आर्टिफिशियल इंटेलिजेंस है जो छवियों और पाठ दोनों को समझ सकता है—का उपयोग यह जांचने के लिए करता है कि क्या वस्तु विवरण से मेल खाती है। महत्वपूर्ण रूप से, प्रणाली समझती है कि बिल्कुल एक ही स्थान से कई तस्वीरें लेना नई जानकारी प्रदान नहीं करता है। यह केवल अलग-अलग स्थितियों से एकत्र किए गए साक्ष्य को ही गिनता है। यदि रोबोट अनिश्चित है, तो वह केवल उसी प्रश्न को दोबारा पूछने के बजाय, बेहतर दृश्य प्राप्त करने के लिए सक्रिय रूप से एक नए कोण की ओर बढ़ता है। यह प्रक्रिया तब तक चलती है जब तक कि संचित प्रमाण वस्तु की पहचान की पुष्टि करने के लिए पर्याप्त मजबूत नहीं हो जाता या जब तक रोबोट को आगे बढ़ने के लिए मजबूर नहीं किया जाता।
उन कार्यों के लिए जहाँ लक्ष्य एक फोटोग्राफ है, प्रणाली एक अलग लेकिन समान रूप से कठोर दृष्टिकोण अपनाती है। किसी वस्तु की तस्वीर एक विशिष्ट कैमरा स्थिति और कोण का संकेत देती है जहाँ से वह फोटो ली गई थी। शोधकर्ताओं ने पाया कि केवल दिखाई गई वस्तु की ओर बढ़ना अक्सर पर्याप्त नहीं होता, क्योंकि रोबोट किसी दीवार के पीछे खड़ा हो सकता है या ऐसी जगह पहुँच सकता है जहाँ वस्तु छिपी हुई हो। इसके बजाय, EviNav संदर्भ फोटो और लाइव वीडियो फीड के फीचर्स का विश्लेषण करता है ताकि सटीक गणना की जा सके कि मूल कैमरा वास्तव में कहाँ खड़ा रहा होगा। फिर यह उस विशिष्ट स्थान की ओर जाता है और मूल कोण से मेल खाने के लिए अपने कैमरे को संरेखित करता है, इससे पहले कि वह जाँच करे कि क्या वस्तु वास्तव में लक्षित वस्तु है। यह सुनिश्चित करता है कि रोबोट वस्तु को संदर्भ छवि के समान संदर्भ में देखे, जिससे समान दिखने वाले फर्नीचर या वास्तुशिल्प विवरणों के कारण होने वाले गलत मिलानों से बचा जा सके।
इस कार्य में एक प्रमुख नवाचार यह है कि प्रणाली अपने सीमित समय का प्रबंधन कैसे करती है। रोबोट कदमों के एक सख्त बजट के तहत काम करता है; वह अनंत काल तक भटक नहीं सकता। प्रणाली अब तक मिले सबसे अच्छे उम्मीदवार का पता रखती है और इतना समय सुरक्षित रखती है कि यदि उसे बेहतर वस्तु खोजने में समय समाप्त हो जाए, तो वह वापस उस उम्मीदवार के पास लौट सके। यह "फालबैक" (fallback) तंत्र रोबट को बहुत लंबे समय तक खोज में भटकने से रोकता है। यदि रोबोट बहुत अधिक कदम खोजबीन में खर्च कर देता है और लक्ष्य की पुष्टि करने में विफल रहता है, तो वह स्वचालित रूप से पहले देखे गए सबसे आशाजनक स्थान की ओर वापस मुड़ जाता है, जिससे यह सुनिश्चित होता है कि समय समाप्त होने से पहले उसके पास कम से कम एक संभावित उम्मीदवार के पास रुकने का मौका हो। शोधकर्ताओं ने एक ऐसा तरीका भी लागू किया है जो उन क्षेत्रों को फ़िल्टर करता है जो फर्श की तरह दिखते हैं लेकिन वास्तव में ऊंचे सतह (जैसे मेज या बिस्तर) हैं, जिससे यह सुनिश्चित होता है कि रोबोट केवल चलने योग्य जमीन पर ही मार्ग की योजना बनाए।
इन प्रयोगों के परिणाम काफी प्रभावशाली रहे। इमेज-आधारित और टेक्स्ट-आधारित लक्ष्यों के लिए एक हजार अलग-अलग एपिसोड वाले सिम्युलेटेड परीक्षणों में, प्रणाली इमेज लक्ष्यों के लिए 84.1 प्रतिशत और टेक्स्ट लक्ष्यों के लिए 55.0 प्रतिशत बार सही वस्तु खोजने में सफल रही। ये संख्याएं पिछले तरीकों की तुलना में एक महत्वपूर्ण सुधार दर्शाती हैं, जो अक्सर गलत सकारात्मक परिणामों (false positives) से जूझते थे या कदमों की कमी के कारण विफल हो जाते थे। इस प्रणाली का परीक्षण एक कार्यालय और प्रयोगशाला में स्टीरियो कैमरा से लैस एक वास्तविक रोबोट पर भी किया गया था। इन भौतिक परीक्षणों में, रोबोट 24 प्रयासों में से 20 में सफल रहा, जिसने वास्तविक दुनिया की अव्यवस्था, सेंसर शोर और संदर्भ के रूप में उपयोग की गई अनकैलिब्रेटेड स्मार्टफोन तस्वीरों के बीच सफलतापूर्वक नेविगेट किया। शोधकर्ताओं ने नोट किया कि इस प्रणाली ने अन्य अग्रणी तरीकों की तुलना में बहुत कम कंप्यूटिंग पावर का उपयोग करते हुए और बाहरी आर्टिफिशियल इंटेलिजेंस सेवाओं से बहुत कम अनुरोध करके उच्च सफलता दर प्राप्त की।
यह अध्ययन स्पष्ट रूप से इस विचार को खारिज करता है कि केवल किसी वस्तु के करीब पहुँचना या उसकी सतह की विशेषताओं का मिलान करना सफलता के लिए पर्याप्त है। उनके परीक्षणों में, वे तरीके जो कैमरा कोण को सत्यापित किए बिना या कई दृष्टिकोणों से साक्ष्य जुटाए बिना सीधे वस्तु की सतह की ओर बढ़े, बहुत अधिक बार विफल रहे। शोधकर्ताओं ने यह भी प्रदर्शित किया कि निर्णय लेने के लिए एकल दृश्य (single view) पर निर्भर रहना त्रुटियों की ओर ले जाता है, क्योंकि एक ही स्थान से बार-बार जाँच करना गलत निष्कर्ष को पुख्ता कर सकता है। इसके विपरीत, उनकी प्रणाली की अलग-अलग दृष्टिकोणों की आवश्यकता और मूल कैमरा स्थिति को पुनः प्राप्त करने की क्षमता ही उनकी सफलता के प्राथमिक चालक साबित हुई। यह कार्य सुझाव देता है कि जटिल, अनदेखे वातावरणों में रोबatically विश्वसनीय रूप से नेविगेट करने के लिए, उन्हें अंतिम निर्णय लेने से पहले स्वतंत्र साक्ष्य एकत्र करने की एक विचारशील सत्यापन प्रक्रिया के रूप में डिज़ाइन किया जाना 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।