रोबोट डालने में क्यों असफल होते हैं: कार्य-विशिष्ट पकड़ के लिए दो चरणों वाला एआई समाधान
We compile, generate and translate using Artificial Intelligence from the below given source. Macro Micro News is responsible for its editorial publication.
स्विस संशोधकों ने रोबोटिक निपटान की एक लंबी चल रही समस्या को सुलझाने का रास्ता निकाला है। पारंपरिक सिस्टम ज्यामिति के आधार पर किसी वस्तु को पकड़ने के कई तरीके आसानी से पहचान लेते हैं। फिर भी वे अक्सर उन मुद्राओं का चयन करने में नाकाम रहते हैं जो आगे की प्रक्रियाओं को सफल बना सकती हैं। उदाहरण के लिए, एक रोबोट कलशी को बिल्कुल सही ढंग से पकड़े रख सकता है। लेकिन यदि वह हैंडल की सही दिशा नहीं समझ पाता तो चाय या पानी नहीं डाल सकता। नया दो चरणों वाला फ्रेमवर्क इस समस्या को हल करता है। यह पकड़ बनाने की प्रक्रिया को अर्थपूर्ण तर्क से अलग कर देता है। इससे कार्य की शर्तों के अनुसार सही चयन की दर काफी बढ़ जाती है।
इस आर्किटेक्चर में समस्या को हल करने के लिए दो स्पष्ट चरण काम करते हैं। पहले चरण में एक विजन-भाषा मॉडल RGB-D छवि में ऐसे हिस्सों को पहचानता है जो कार्य के लिए जरूरी हैं। यह सेगमेंटेशन और ग्रैस्पनेट के जरिए संभावित 6-DoF पकड़ के उम्मीदवारों को जनरेट करने में मदद करता है। परिणामस्वरूप मिले सुझाव ज्यामितीय रूप से ठीक होते हैं। ये सुझाव विशिष्ट कार्यात्मक क्षेत्रों से भी जुड़े होते हैं। दूसरे चरण में एक संरचित VLM क्रिटिक इन उम्मीदवारों को रैंक करता है। यह इंतहाई कार्य से संगतता के आधार पर उनका मूल्यांकन करता है। यह सिर्फ ज्यामितीय स्कोर पर निर्भर नहीं रहता। यह सीमित दृष्टिकोण मॉडल को बिना नियंत्रण वाली मुद्राएं बनाने से रोकता है। इसके बजाय यह मान्यता प्राप्त उम्मीदवारों के ID से सही विकल्प चुनता है।
60 भौतिक परीक्षणों के व्यापक मूल्यांकन से पता चला कि कुल कार्य सफलता दर 63.3 प्रतिशत थी। इन परीक्षणों में बेतरतीब पकड़ और रखना, हथौड़ा मारना और पीना जैसे कार्य शामिल थे। नियंत्रित पुनः प्रयोगों से पता चला कि VLM के चुनाव के आधार पर प्रदर्शन में काफी बदलाव आता है। Stage 1 के स्थान निर्धारण के लिए Gemini 3 Flash Preview सबसे अच्छा साबित हुआ। इसने 95.0 प्रतिशत सटीकता हासिल की। साथ ही इसमें सबसे कम लेटेंसी भी थी। Stage 2 के रैंकिंग के लिए GPT-5.6 Sol ने बेहतरीन विश्वसनीयता दिखाई। इसने 92.9 प्रतिशत टॉप-1 कार्य-मान्य दर दर्ज की। बार-बार इनफरेंस में इसकी स्थिरता सबसे अधिक थी।
इस अध्ययन से यह स्पष्ट होता है कि भौतिक कार्य पूरा करना और मॉडल का व्यवहार सिस्टम की मजबूती के अलग-अलग पहलुओं को दर्शाते हैं। संवेदनशीलता विश्लेषण से पता चला कि ऊपरी चरण में उम्मीदवारों के सबूतों में थोड़ी सी बदलाव भी अंतिम पकड़ के चयन को बदल सकता है। इससे दोनों चरणों को साथ में आंकने की जरूरत स्पष्ट होती है। अर्थविवेचन को उम्मीदवारों की जांच से अलग करके यह फ्रेमवर्क VLM-आधारित रोबोटिक सिस्टम के आकलन के लिए एक स्पष्ट आधार प्रदान करता है। यह सरल सफलता मापदंडों से आगे बढ़कर यह समझने में मदद करता है कि निर्णियां कहाँ और क्यों सफल या असफल होती हैं। यह विधि उच्च स्तरीय तर्क को निम्न स्तरीय रोबोटिक नियंत्रण में एकीकृत करने का एक स्केलेबल मार्ग प्रस्तुत करती है। यह सुनिश्चित करता है कि रोबोट न केवल वस्तुओं को पकड़ें। बल्कि वे इसे ऐसे करें कि जटिल मानव निर्देश पूरे हों।