Geo-Reflex: Geometry-Gated Spiking Visuomotor Policy Learning for High-Frequency Robot Manipulation

मानव जैसी गति और सटीकता के साथ चलने वाले रोबोटों के सामने एक मौलिक समस्या है: उनकी आँखें और उनकी मांसपेशियाँ एक ही भाषा नहीं बोलती हैं। कैमरे जो रोबोट को दृष्टि प्रदान करते हैं, वे आमतौर पर दुनिया का दृश्य प्रति सेकंड केवल दस से तीस बार अपडेट करते हैं, जबकि इसके जोड़ों को नियंत्रित करने वाले मोटर को स्थिर और सुरक्षित रहने के लिए सैकड़ों बार अपनी स्थिति को समायोजित करने की आवश्यकता होती है। वर्षों से, इंजीनियरों ने इस धीमी कैमरा डेटा और तेज़ मांसपेशी डेटा को समय में पूरी तरह से संरेखित करने के लिए मजबूर करके इसे हल करने की कोशिश की है, जिसका अर्थ है कि रोबोट को हिलने से पहले कैमरे के पीछे आने का इंतज़ार करना पड़ता है। यह दृष्टिकोण उस तीव्र, पलक झपकते ही मिलने वाली जानकारी को बेकार कर देता है जो रोबोट को सटीक रूप से बताती है कि वह कब किसी चीज़ को छूने वाला है, जिससे अक्सर अनाड़ी या विलंबित क्रियाएं होती हैं।

डोंगगुआन सिटी यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने इस बेमेल को संभालने का एक अलग तरीका प्रस्तावित किया है, जिसमें रोबोट के विज़न और मूवमेंट को एक एकल, सिंक्रोनाइज़्ड ब्लॉक के बजाय दो अलग लेकिन जुड़े हुए स्ट्रीम के रूप में माना गया है। उन्होंने एक नया नियंत्रण प्रणाली विकसित किया जिसे 'जियो-रिफ्लेक्स' (Geo-Reflex) कहा जाता है, जो एक प्रकार की मस्तिष्क-प्रेरित कंप्यूटिंग का उपयोग करता है ताकि रोबोट के तेज़ चलते जोड़ों को तुरंत प्रतिक्रिया करने दे, जबकि धीमी कैमरा छवियों का उपयोग केवल यह तय करने के लिए किया जाए कि कहाँ ध्यान देना है। रोबोट को हर बार हिलने पर दुनिया की पूरी तस्वीर देने के बजाय, यह प्रणाली कैमरा दृश्य में वस्तुओं के आकार और किनारों को देखती है ताकि संवेदनशीलता का स्तर निर्धारित किया जा सके। जब रोबोट का हाथ किसी तीखे किनारे या कोने के पास चलता है, तो प्रणाली हाथ की स्थिति में सूक्ष्म परिवर्तनों के प्रति अत्यधिक संवेदनशील हो जाती है। जब हाथ किसी सपाट, खाली स्थान के ऊपर चलता है, तो प्रणाली विजुअल शोर (visual noise) को अनदेखा करती है और केवल सुचारू गति पर ध्यान केंद्रित करती है। यह रोबोट को नए कैमरा फ्रेम का इंतज़ार किए बिना उच्च गति पर चलने की अनुमति देता है, जबकि दृश्य जानकारी का उपयोग उसके हाथ को सटीक रूप से निर्देशित करने के लिए किया जाता है।

शोधकर्ताओं ने इस विचार का परीक्षण एक मानव सदृश (humanoid) हाथ से रिकॉर्ड किए गए वास्तविक रोबोट आंदोलनों के डेटासेट पर किया, जो एक डेप्थ-सेंसिंग कैमरा से लैस था। उन्होंने अपने नए सिस्टम की तुलना कई मौजूदा तरीकों से की, जिसमें सिंक्रोनाइज़्ड डेटा का इंतज़ार करने वाले मानक कृत्रिम बुद्धिमत्ता मॉडल और अन्य मस्तिष्क-प्रेरित नेटवर्क शामिल हैं जो इस विशेष विजुअल गेटिंग का उपयोग नहीं करते हैं। परिणामों ने दिखाया कि नया दृष्टिकोण सही हाथ की गतिविधियों की भविष्यवाणी करने में काफी अधिक सटीक था। अपने परीक्षणों में, इस प्रणाली ने सबसे अच्छे पिछले तरीके की तुलना में कम गलतियाँ कीं, और यह उन मानक मस्तिष्क-प्रेरित नेटवर्कों की तुलना में बहुत अधिक सटीक था जो एक साथ सारा डेटा प्रोसेस करने की कोशिश करते हैं। शायद इससे भी महत्वपूर्ण बात यह है कि नया सिस्टम बहुत अधिक कुशल था। इसने अपने आंतरिक संकेतों को केवल तभी सक्रिय किया जब आवश्यक था, विशेष रूप से तब जब रोबोट का हाथ वस्तुओं के ज्यामितिक किनारों के पास था, न कि लगातार। इस चयनात्मक गतिविधि ने कंप्यूटर द्वारा प्रोसेस किए जाने वाले संकेतों की संख्या को पुराने तरीकों की तुलना में लगभग पैंतीस प्रतिशत कम कर दिया, जिससे पता चलता है कि रोबोट तेज़ी से चल सकता है और कम ऊर्जा का उपयोग कर सकता है।

यह समझने के लिए कि यह कैसे काम करता है, यह देखना सहायक है कि सिस्टम सूचना को कैसे संसाधित करता है। कैमरा एक तस्वीर लेता है और तुरंत उसे वस्तुओं की रूपरेखा खोजने के लिए तोड़ देता है, जिससे रंगों और बनावटों को अनदेखा कर दिया जाता है जो विचलित कर सकते हैं। इन रूपरेखाओं का उपयोग रोबोट के आंतरिक निर्णय लेने वाले न्यूरॉन्स के लिए "थ्रेशोल्ड" (सीमा) को समायोजित करने के लिए किया जाता है। इस थ्रेशोल्ड को एक गेट के रूप में सोचें जो यह नियंत्रित करता है कि एक न्यूरॉन कितनी आसानी से संकेत भेज सकता है। उन क्षेत्रों में जहाँ कैमरा एक स्पष्ट किनारा देखता है, गेट को कम कर दिया जाता है, जिससे न्यूरॉन रोबोट के हाथ की छोटी गतिविधियों के प्रति बहुत संवेदनशील हो जाता है। उन क्षेत्रों में जहाँ कैमरा एक सपाट, फीचरलेस बैकग्राउंड देखता है, गेट को बढ़ा दिया जाता है, जो न्यूरॉन को मामूली उतार-चढ़ाव को अनदेखा करने का निर्देश देता है। इसका मतलब है कि रोबोट के तेज़ चलते जोड़ अपनी स्थिति को प्रति सेकंड सैकड़ों बार अपडेट करना जारी रख सकते हैं, लेकिन विजुअल सिस्टम केवल तभी कार्रवाई को फाइन-ट्यून करने के लिए हस्तक्षेप करता है जब दृश्य की ज्यामिति (geometry) इसकी मांग करती है। सिस्टम में सुचारू, अनुमानित भागों के लिए एक सीधा मार्ग भी शामिल है, जिससे यह सुनिश्चित होता है कि रोबोट विजुअल शोर पर अत्यधिक प्रतिक्रिया न करे।

अध्ययन ने यह भी परीक्षण किया कि जब विजुअल इनपुट अव्यवस्थित या शोर वाला हो (जैसे खराब रोशनी या कैमरा डिस्टॉर्शन), तो सिस्टम कितना बेहतर काम करता है। इन कठिन परिस्थितियों में, नया सिस्टम अन्य प्रणालियों की तुलना में बहुत बेहतर सटीकता बनाए रखता है, और मानक मस्तिष्क-प्रेरित नेटवर्क की तुलना में केवल आधा ही कम प्रभावी होता है। यह सुझाव देता है कि केवल कच्चे पिक्सेल डेटा के बजाय दुनिया की ज्यामितीय संरचना पर ध्यान केंद्रित करके, रोबोट उन प्रकार की विजुअल त्रुटियों के प्रति अधिक मजबूत (robust) हो जाता है जो अक्सर अन्य प्रणालियों को भ्रमित करती हैं। इसके अलावा, जब शोधकर्ताओं ने एक ऐसा परिदृश्य सिम्युलेट किया जहाँ रोबोट को अपनी वर्तमान स्थिति के आधार पर भविष्य की गतिविधियों के क्रम की भविष्यवाणी करनी थी, तो नए सिस्टम ने प्रतिस्पर्धा की तुलना में त्रुटियों को बहुत धीरे-धीरे संचित किया। यह इंगित करता है कि यह विधि रोबोट को समय के साथ अपनी क्रियाओं की एक स्थिर समझ बनाए रखने में मदद करती है, जो उन कार्यों के लिए महत्वपूर्ण है जिनमें सटीक गतिविधियों की लंबी श्रृंखला की आवश्यकता होती है।

शोधकर्ता स्वीकार करते हैं कि उनके कार्य का परीक्षण वास्तविक दुनिया में कार्य करने वाले लाइव रोबोट के बजाय रोबोट से प्राप्त रिकॉर्ड किए गए डेटा का उपयोग करके किया गया था, इसलिए परिणाम यह दिखाते हैं कि सिस्टम क्रियाओं की कितनी अच्छी तरह भविष्यवाणी करता है, न कि यह कि यह भौतिक वातावरण में वस्तुओं को सफलतापूर्वक पकड़ने में सक्षम है। हालाँकि, कई परीक्षणों में परिणामों की निरंतरता और दक्षता में स्पष्ट सुधार यह सुझाव देते हैं कि दृष्टि और गति को मिलाने का यह तरीका भविष्य के लिए एक आशाजनक दिशा है। रोबोट के तेज़ आंतरिक क्लॉक को स्वतंत्र रूप से चलने देकर और धीमी कैमरा फीड का उपयोग केवल नियमों को सेट करने के लिए करके, जियो-रिफ्लेक्स उस टाइमिंग मिसमैच के लिए एक व्यावहारिक समाधान प्रदान करता है जिसने लंबे समय से रोबोट की गति और निपुणता को सीमित किया है। निष्कर्ष बताते हैं कि रोबोट को मनुष्यों की तरह सहजता से चलने के लिए, उन्हें दृष्टि और गति को बिल्कुल एक ही गति पर चलाने की कोशिश करना बंद करना पड़ सकता है, और इसके बजाय यह सीखना होगा कि उनकी आँखें उनके हाथों को केवल तभी निर्देशित करें जब दुनिया का आकार इसकी मांग करे।