Design and Development of a Low-Cost AI-Based Robotic Face for Real-Time Visual Tracking and Voice Interaction

मानव स्वभाव से चेहरों पर ध्यान देने के लिए बना है। जब हम एक-दूसरे से बात करते हैं, तो हम केवल शब्दों को नहीं सुनते; हम आँखों का हिलना, सिर का मुड़ना और ध्वनि के साथ मुँह की गतिविधियों को भी देखते हैं। दृश्य संकेतों (visual cues) का यह निरंतर, मौन आदान-प्रदान ही है जो बातचीत को जीवंत बनाता है। दशकों से, इंजीनियर ऐसी मशीनें बनाने की कोशिश कर रहे हैं जो इस आदान-प्रदान में भाग ले सकें, यानी ऐसे रोबोट जो हमें देखें और हमसे बात करें। हालाँकि, इन मशीनों के सबसे प्रभावशाली उदाहरण आमतौर पर महंगे प्रयोगशालाओं या बंद कॉर्पोरेट दरवाजों के पीछे कैद रहे हैं, जिनकी लागत हजारों डॉलर होती है और जिन्हें जटिल, मालिकाना तकनीक की आवश्यकता होती है जिसे दूसरों के लिए अध्ययन करना या सुधारना कठिन होता है। यह उच्च-स्तरीय अनुसंधान, जो संभव की सीमाओं को आगे बढ़ाता है, और उन किफायती उपकरणों के बीच एक अंतर पैदा करता है जिनकी छात्रों, शिक्षकों और स्वतंत्र आविष्कारकों को सीखने और प्रयोग करने के लिए आवश्यकता होती है।

मुफ्फकम् जाह कॉलेज ऑफ इंजीनियरिंग एंड टेक्नोलॉजी, हैदराबाद, भारत के शोधकर्ताओं की एक टीम ने इस अंतर को पाटने का लक्ष्य रखा। उन्होंने एक सरल लेकिन कठिन प्रश्न पूछा: क्या वे केवल कम लागत वाले, सुलभ पुर्जों का उपयोग करके एक ऐसा रोबिक फेस (रोबोटिक चेहरा) बना सकते हैं जो वास्तविक समय में मानवीय संवाद की नकल कर सके? उनका लक्ष्य एक ऐसी मशीन बनाना नहीं था जो खुशी या दुख जैसी जटिल भावनाओं को व्यक्त कर सके, बल्कि एक ऐसी मशीन बनाना था जो वे बुनियादी काम कर सके जो मनुष्य बातचीत के दौरान करते हैं: बोलने वाले व्यक्ति को देखना, स्वाभाविक रूप से पलकें झपकाना और अपनी आवाज़ के साथ मुँह हिलाना। एक छोटे, किफायती कंप्यूटर को एक कैमरे और कुछ मोटरों के साथ जोड़कर, उन्होंने एक ऐसी प्रणाली बनाई जो यह सिद्ध करती है कि परिष्कृत संवाद के लिए बहुत अधिक धन की आवश्यकता नहीं होती है।

उन्होंने जो उपकरण बनाया है वह एक रोबोटिक सिर है, जो लगभग एक मानव सिर के आकार का है और 3D-प्रिंटेड प्लास्टिक के हिस्सों से बना है। इसके अंदर, एक छोटा कंप्यूटर बोर्ड 'मस्तिष्क' के रूप में कार्य करता है, जबकि एक कैमरा इसकी 'आँखों' के रूप में कार्य करता है। शोधकर्ताओं ने इस कंप्यूटर को कमरे में मानव चेहरे को लगातार स्कैन करने के लिए प्रोग्राम किया। जब यह किसी व्यक्ति को पहचान लेता है, तो यह गणना करता है कि वह व्यक्ति कैमरे के दृश्य के केंद्र के सापेक्ष कहाँ खड़ा है। केवल शून्य में ताकने के बजाय, रोबोट इस जानकारी का उपयोग व्यक्ति की गति का अनुसरण करने के लिए अपनी आँखों और सिर को भौतिक रूप से घुमाने के लिए करता है। यदि कोई व्यक्ति बाईं ओर जाता है, तो रोबोट की आँखें बाईं ओर मुड़ती हैं; यदि वे पीछे हटते हैं, तो रोबोट अपनी दृष्टि को समायोजित करता है। यह ट्रैकिंग निरंतर होती रहती है, जिससे यह भ्रम पैदा होता है कि मशीन ध्यान दे रही है।

बातचीत को अधिक स्वाभाविक बनाने के लिए, टीम ने आर्टिफिशियल इंटेलिजेंस की एक परत जोड़ी है जो रोबोट को बोलने की अनुमति देती है। जब कोई व्यक्ति रोबोट से बात करता है, तो एक माइक्रोफ़ोन ध्वनि को पकड़ता है, जिसे फिर टेक्स्ट में बदलने के लिए एक क्लाउड-आधारित सेवा को भेजा जाता है। एक लैंग्वेज मॉडल उस टेक्स्ट को प्रोसेस करता है ताकि प्रतिक्रिया उत्पन्न की जा सके, जिसे फिर वापस स्पीच (वाणी) में बदल दिया जाता है। इस प्रक्रिया का सबसे चुनौतीपूर्ण हिस्सा केवल सुनना और बोलना नहीं था, बल्कि रोबोट के मुँह को ध्वनि के साथ तालमेल बिठाने के तरीके से हिलाना था। शोधकर्ताओं ने रोबोट के जबड़े को ऑडियो आउटपुट से जोड़कर इस समस्या का समाधान किया। जैसे ही रोबोट बोलता है, एक छोटा मोटर मानव भाषण की प्राकृतिक अभिव्यक्ति की नकल करते हुए एक लयबद्ध पैटर्न में जबड़े को खोलता और बंद करता है। यह तालमेल (synchronization) अत्यंत महत्वपूर्ण है; इसके बिना, रोबोट एक स्थिर वस्तु से आती हुई आवाज़ जैसा लगेगा, जो अप्राकृतिक और असहज महसूस कराता है।

शोधकर्ताओं ने अपने निर्माण का कठोरता से परीक्षण किया कि यह विभिन्न परिस्थितियों में कैसा प्रदर्शन करता है। उन्होंने पाया कि अच्छी रोशनी में यह प्रणाली लगभग 92 प्रतिशत सटीकता के साथ चेहरे का पता लगा सकती है। चेहरा देखने, छवि को प्रोसेस करने और आँखों को घुमाने में लगने वाला समय उल्लेखनीय रूप से तेज़ था, जिसमें 180 से 250 मिलीसेकंड का समय लगा। इसे समझने के लिए, यह देरी इतनी कम है कि एक मानव प्रेक्षक रोबोट की प्रतिक्रिया को लगभग तात्कालिक रूप से महसूस करेगा, जिससे बिना किसी अजीब अंतराल के एक सहज बातचीत संभव हो सकेगी। सिस्टम स्थिर रहा, भले ही व्यक्ति हिल रहा था, और एक परिभाषित सीमा के भीतर सिर की गतिविधियों को ट्रैक किया।

हालाँकि, इस अध्ययन ने कम लागत वाले घटकों के उपयोग की सीमाओं को भी उजागर किया। शोधकर्ताओं ने नोट किया कि कम रोशनी की स्थिति में या जब व्यक्ति दूर होता है, तो रोब ביותר का प्रदर्शन काफी गिर जाता है, क्योंकि कैमरा आवश्यक विवरण देखने में संघर्ष करता है। उन्होंने यह भी देखा कि यांत्रिक पुर्जे, विशेष रूप से आँखों और जबड़े को हिलाने के लिए उपयोग किए जाने वाले छोटे मोटर, एक मामूली देरी पैदा करते हैं और उच्च-स्तरीय अनुसंधान रोबोटों में पाए जाने वाले महंगे मोटरों की तरह सहजता से नहीं घूम सकते। इसके अलावा, क्योंकि प्रणाली भाषण को प्रोसेस करने और उत्तर उत्पन्न करने के लिए इंटरनेट पर निर्भर करती है, नेटवर्क कनेक्शन में किसी भी प्रकार की देरी रोबोट की प्रतिक्रिया करने की क्षमता को धीमा कर सकती है। ये कारक बताते हैं कि हालांकि यह रोबोट एक नियंत्रित वातावरण में अच्छा काम करता है, लेकिन यह अभी तक व्यस्त सार्वजनिक स्थान की अप्रत्याशित अराजकता के लिए तैयार नहीं है।

इन सीमाओं के बावजूद, यह परियोजना रोबोटिक्स को सुलभ बनाने की दिशा में एक महत्वपूर्ण कदम है। टीम ने प्रदर्शित किया कि बुनियादी व्यवहारों—ट्रैकिंग, पलकें झपकाना और सिंक्रोनाइज़्ड स्पीच—पर ध्यान केंद्रित करके, एक ऐसी मशीन बनाई जा सकती है जो आश्चर्यजनक रूप से मानवीय महसूस होती है, जिसके लिए हजारों डॉलर के बजट की आवश्यकता नहीं है। पूरा डिज़ाइन, कोड और 3D प्रिंटिंग निर्देश, सार्वजनिक रूप से उपलब्ध कराए गए हैं। यह खुलापन अन्य शोधकर्ताओं और छात्रों को इस कार्य को आगे बढ़ाने, नए विचारों का परीक्षण करने और शायद एक दिन ऐसे रोबोट बनाने के लिए आमंत्रित करता है जो न केवल हमें देख सकें बल्कि हमें वास्तव में समझ भी सकें। यह कार्य सुझाव देता है कि मानव-रोबोट संवाद का भविष्य केवल धनी या विशिष्ट वर्ग के पास नहीं है, बल्कि इसे किसी के भी द्वारा बनाया जा सकता है जिसके पास एक कैमरा, एक कंप्यूटर और कुछ मोटर हों।