एआई एजेंट रोबोटों को महत्वपूर्ण प्रशिक्षण जानकारी प्राप्त करने में मदद करने के लिए आभासी खेल के मैदान बनाते हैं

रोबोटों का सड़क पर प्रशंसा करते दर्शकों से घिरे हुए चलना एक आम दृश्य है। लेकिन ये मशीनें अभी भी रसोई या कारखाने में आप जो कुछ भी करना चाहते हैं उसके लिए सहायक नहीं हैं, और मुख्य बाधा डेटा है। इंसानों की तरह, रोबोट भी अनुभव के माध्यम से सबसे अच्छा सीखते हैं। समस्या यह है कि इन मशीनों को विभिन्न वातावरणों में कई कार्य करने के लिए प्रशिक्षित करना श्रम-गहन और समय लेने वाला है।

“एक स्वाभाविक विचार सिमुलेशन को एक सीखने के क्षेत्र के रूप में उपयोग करना है। जबकि पिछले कुछ वर्षों में भौतिकी इंजनों में महत्वपूर्ण प्रगति हुई है जो रोबोटिक्स सिमुलेटर को शक्ति प्रदान करते हैं, शेष चुनौतियों में से एक सिमुलेशन सामग्री को समृद्ध और विविधतापूर्ण बनाना है जो वास्तविक दुनिया की जटिलता को पकड़ सके,” एमआईटी में एक इंजीनियर और प्रमुख अन्वेषक, इलेक्ट्रिकल और कंप्यूटर इंजीनियरिंग (ईइलेक्ट्रिक इंजीनियरिंग और ए मैकेन्यूटिक्स) के टोयोटा प्रोफेसर रस टेड्रैक कहते हैं। एमआईटी कंप्यूटर विज्ञान और कृत्रिम बुद्धिमत्ता प्रयोगशाला (CSAIL)।

यह पता चला है कि एआई एजेंट, या अर्ध-स्वायत्त कार्यक्रम जो “सोचते हैं” और अच्छी तरह से परिभाषित कार्य करते हैं, रोबोट के लिए आवश्यक आभासी वास्तविकता सेटिंग्स उत्पन्न करने में मदद कर सकते हैं। MIT CSAIL और टोयोटा रिसर्च के शोधकर्ताओं द्वारा विकसित नई “सीनस्मिथ” प्रणाली, वस्तुओं, दीवारों और 3D दृश्य के समग्र स्वरूप को संयोजित करने के लिए तीन एजेंटों का उपयोग करती है। रेस्तरां, शयनगृह और होटल जैसे इनडोर स्थानों के इसके सिमुलेशन पिछले सिस्टम की तुलना में अधिक यथार्थवादी और विस्तृत हैं, जो रोबोटों को कौशल का अभ्यास करने और उन्हें लॉन्च करने से पहले कार्य करने के विभिन्न तरीकों का परीक्षण करने में मदद करते हैं। बदले में, इंजीनियर वास्तविक परीक्षण के लिए समय बचाते हैं।

एजेंटों को यह समझ में आता है कि रोजमर्रा की जगहें कैसी दिखनी चाहिए, क्योंकि उनमें से प्रत्येक विज़ुअल लैंग्वेज मॉडल (वीएलएम) नामक मल्टीमॉडल सिस्टम को संदर्भित करता है, विशेष रूप से अत्याधुनिक वीएलएम जीपीटी-5.2। अधिक दृश्य प्रश्नों को संभालने के लिए इसे वेब से कई टेक्स्ट और छवियों पर प्रशिक्षित किया गया है। यह उन्नत मॉडल प्रत्येक एजेंट को कुछ प्रकार का स्थानिक ज्ञान देता है: सबसे पहले, “डिज़ाइनर” एजेंट दृश्य के तत्वों को उत्पन्न करता है, फिर “आलोचक” सलाह देता है कि क्या यह वास्तविक है, और अंत में, “ऑर्केस्ट्रेटर” उन्हें नियंत्रित करता है और जब वे डिज़ाइन किए जाते हैं। तीन वीएलएम द्वारा अपना रचनात्मक सहयोग समाप्त करने के बाद, दृश्य सीधे भौतिकी सिमुलेशन सॉफ्टवेयर में लोड होने के लिए तैयार है।

“हमने पाया कि सिस्टम उस तरह से 3डी दृश्य बना सकता है जैसे एक मानव डिजाइनर बना सकता है,” एमआईटी ईईसीएस पीएचडी छात्र निकोलस पफैफ, एक सीएसएआईएल शोधकर्ता और पेपर के प्रमुख लेखक कहते हैं, जिसमें टेड्रेक ने काम प्रस्तुत किया है। “हमने वेब-स्केल फायदों के साथ अग्रणी वीएलएम का उपयोग करके 1,300 से अधिक दृश्य बनाए, और इसने अविश्वसनीय रूप से रचनात्मक और बहुमुखी डिजाइन तैयार किए। मैंने निर्देशों में ऐसा करने के लिए सिस्टम को प्रशिक्षित नहीं किया; यह बस सुधार हुआ है।”

मेरे एजेंट से बात करो

वीएलएम एजेंटों के लिए धन्यवाद, आप सीनस्मिथ से “एक कार, एक डेस्क, एक कोने पर पहिए और एक दीवार पर एक सीढ़ी के साथ एक गैरेज का निर्माण” जैसे कार्य बनाने के लिए कह सकते हैं और समृद्ध वस्तुओं का एक आभासी खेल का मैदान प्राप्त कर सकते हैं जिसके साथ रोबोट काम कर सकता है। इन कमरों को पिछले तरीकों की तुलना में प्रति दृश्य छह गुना अधिक वस्तुओं से सजाया गया है, जो रोबोटों को सिंक में कटोरा रखने, प्लेट पर फल रखने और सोडा कैन को शेल्फ से टेबल पर ले जाने जैसे कौशल सीखने में मदद करने के लिए बहुत अच्छा है।

इतने सारे समृद्ध आभासी वातावरणों के साथ, आप यह मूल्यांकन कर सकते हैं कि आपका रोबोट बहुत अधिक परीक्षण और त्रुटि के बिना भौतिक दुनिया में तैनाती के लिए तैयार है या नहीं। शोधकर्ताओं ने सीनस्मिथ डिजिटल दुनिया में विभिन्न कार्य योजनाओं (जिन्हें “नीतियां” भी कहा जाता है) का परीक्षण किया, इस प्रक्रिया में 100 अद्वितीय स्थान तैयार किए। एक वीएलएम एजेंट ने प्रत्येक प्रयास का मूल्यांकन किया और पाया कि रोबोट की योजनाएँ त्रुटिपूर्ण थीं और मशीन अक्सर अपने कार्यों में विफल रही। मनुष्य 99 प्रतिशत से अधिक समय तक मॉडल के निर्णयों से सहमत थे, जो रोबोट बिल्डरों को रोबोट को वास्तविक दुनिया में ले जाने से पहले दोषपूर्ण सिमुलेशन दृष्टिकोण को खत्म करने में मदद कर सकता है।

लेकिन ये आभासी दुनिया कितनी वास्तविक हैं? इसे साबित करना मुश्किल हो सकता है, इसलिए शोधकर्ताओं ने इस प्रश्न पर कई कोणों से विचार किया है। सबसे दिलचस्प परीक्षण: उन्होंने एक पूर्व-प्रशिक्षित रोबोट नीति को गिरा दिया – एक एआई नियंत्रक जो ज्यादातर वास्तविक दुनिया के डेटा पर प्रशिक्षित होता है जिसने कभी भी सीनस्मिथ दृश्य नहीं देखा था – उत्पन्न वातावरण में। एक परीक्षण में, उपयोगकर्ताओं ने सिस्टम से कहा कि “सेब को कटोरे से बाहर निकालें और इसे कटिंग बोर्ड पर रखें” और नकली रोबोट ने वैसा ही किया। यह तब तक काम नहीं करेगा जब तक कि दृश्य वास्तविक जीवन की उन सेटिंग्स के समान न हों जिनसे नीति सीख रही थी।

टीम ने वर्चुअल स्पेस के माध्यम से रोबोटों का मार्गदर्शन किया, उन्हें अलमारियाँ खोलने, बोतलें नीचे रखने और कमरों के बीच जाने में मार्गदर्शन किया। उनके प्रयोगों से पता चला कि पर्यावरण स्थिर भौतिक अंतःक्रियाओं के प्रभाव में बना रहता है और दृश्य निरीक्षण से परे विस्तारित होता है।

परदे के पीछे

सीनस्मिथ जिन एजेंटों का उपयोग करता है उनमें से प्रत्येक पीढ़ी प्रक्रिया में एक विशिष्ट भूमिका निभाता है जो दृश्यों को चरणों में अलग करता है। वे मूल रूप से फ्लोर प्लान बनाते हैं और उसे जीवंत बनाते हैं।

मान लीजिए कि आप घर की पहली मंजिल का एक समान दृश्य बनाना चाहते थे। वीएलएम “डिज़ाइनर” एक सामान्य डिज़ाइन से शुरू होता है, जिसकी समीक्षा “आलोचक” द्वारा की जाती है और फिर “ऑर्केस्ट्रेटर” द्वारा हस्ताक्षर किए जाते हैं। एजेंट प्रत्येक चरण के लिए इस दृष्टिकोण को दोहराते हैं: फर्नीचर जोड़ना, वस्तुओं को दीवार और फिर छत पर रखना, और अंत में, उन वस्तुओं को गिराना जिन्हें रोबोट संभाल सकते हैं। उदाहरण के लिए, वीएलएम ऐसे अलमारियाँ जोड़ सकते हैं जिन्हें रोबोट खोल और बंद कर सकते हैं – बनावट की एक वस्तु जिसकी पहले के स्टार्टअप में अक्सर कमी होती थी।

प्रत्येक चरण में, दूसरा वीएलएम यह सुनिश्चित करता है कि दृश्य व्यावहारिक है और सलाह देता है कि बाथटब, उदाहरण के लिए, लिविंग रूम से हटा दिया जाए। एक तीसरा वीएलएम यह सुनिश्चित करता है कि एक उच्च-गुणवत्ता वाला दृश्य तैयार किया जाए, भले ही दृश्य मेल न खाते हों, जिससे डिज़ाइन प्रक्रिया कुछ हद तक पीछे हो जाती है। तीन वीएलएम द्वारा अपना रचनात्मक सहयोग समाप्त करने के बाद, भौतिक दुनिया के यांत्रिकी को सिमुलेशन सॉफ्टवेयर के माध्यम से जोड़ा जाता है।

कमरे कैसे दिखने चाहिए, वस्तुएं कहां रखी जानी चाहिए और वास्तविक दुनिया की भौतिकी की ठोस समझ के साथ, सीनस्मिथ को पिछले तरीकों की तुलना में महत्वपूर्ण लाभ है। “एचएसएम” और “होलोडेक” जैसे दृश्य निर्माण की बुनियादी बातों की तुलना में, सीनस्मिथ ने अधिक वस्तुओं के साथ वातावरण बनाया है, जिसमें एक निजी कार्यालय, एक मिट्टी के बर्तन की दुकान और यहां तक ​​कि एक माइनक्राफ्ट-थीम वाला गेम रूम भी शामिल है।

सीनस्मिथ 200 से अधिक उपयोगकर्ताओं के बीच भी पसंदीदा था। उन्होंने पाया कि सिस्टम के दृश्य 90 प्रतिशत से अधिक समय में अधिक यथार्थवादी थे। उन्होंने यह भी देखा कि, सामान्य तौर पर, अन्य दृष्टिकोणों की तुलना में दिशानिर्देशों का पालन करने की अधिक संभावना थी। दूसरे शब्दों में, यह आभासी खेल के मैदान बनाने में सबसे अच्छा था जिसे उपयोगकर्ता वास्तव में देखना चाहते थे।

एक बहु-प्रतिभा प्रणाली

यथार्थवाद, विविधता और समृद्धि सीनस्मिथ के लिए मजबूत मेल हैं, तब भी जब व्यक्तिगत 3डी ऑब्जेक्ट बनाने की बात आती है। आप इसे एक रोलिंग कार्ट बनाने के लिए कह सकते हैं, और यह एक 2डी छवि बनाएगा, जिसे बाद में द्रव्यमान, घर्षण और जड़ता जैसे भौतिक गुणों के साथ एक विस्तृत मॉडल में परिवर्तित किया जाएगा।

हालाँकि, ऐसी विस्तृत प्रक्रिया त्वरित व्यापार-बंद के साथ आती है। एक दृश्य बनाने में कई घंटे लग सकते हैं क्योंकि एजेंट प्रत्येक वस्तु का निर्माण और सावधानीपूर्वक निरीक्षण करते हैं। अधिक कंप्यूटिंग शक्ति के साथ, सिस्टम दक्षता में उल्लेखनीय वृद्धि देख सकता है। यदि अधिक व्यापक 3D लाइब्रेरी उपलब्ध हो जाती है तो CSAIL इंजीनियरों को विकृत वस्तुओं (जैसे स्पंज) तक विस्तार करने की भी उम्मीद है।

अमेज़ॅन रोबोटिक्स के एक एप्लिकेशन वैज्ञानिक जेरेमी बिनागिया, जो शोध में शामिल नहीं थे, कहते हैं, “इनडोर वातावरण के मॉडलिंग के लिए एक एजेंट ढांचा प्रदान करके सीनस्मिथ ने इस क्षेत्र में महत्वपूर्ण प्रगति की है।” “यह कला की स्थिति को कई तरीकों से आगे बढ़ाता है, जिसमें सिम्युलेटेड वातावरण में ऑब्जेक्ट घनत्व की सीमाओं को आगे बढ़ाना, यह सुनिश्चित करना शामिल है कि सभी ऑब्जेक्ट भौतिक रूप से सही हैं (नेत्रहीन रूप से यथार्थवादी होने के विपरीत), और ऐसी संपत्तियां बनाना जो एक निश्चित लाइब्रेरी तक सीमित नहीं हैं क्योंकि उन्हें पाठ के माध्यम से 3 डी में प्रस्तुत किया जा सकता है।”

Pfaff और Tedrak ने MIT पीएचडी छात्र और CSAIL शोधकर्ता थॉमस कोह्न SM ’24 के साथ पेपर का सह-लेखन किया; और टोयोटा रिसर्च इंस्टीट्यूट के रोबोटिस्ट सर्गेई ज़खारोव और रिक कोरी एसएम ’08, पीएचडी ’10। उनके काम को अमेज़ॅन, यूएस ऑफ़िस ऑफ़ नेवल रिसर्च, टोयोटा रिसर्च इंस्टीट्यूट और यूएस नेशनल साइंस फाउंडेशन द्वारा आंशिक रूप से समर्थन दिया गया था।

टीम ने पिछले सप्ताह अंतर्राष्ट्रीय मशीन लर्निंग सम्मेलन में मुख्य वक्ता के रूप में अपने निष्कर्ष प्रस्तुत किए।