प्रोफेसर यान शुओ, हाबीन इंस्टीट्यूट ऑफ टेक्नोलॉजी शेंज़ेन द्वारा स्थापित कंपनी PHANES AI ने टचवर्ल्ड - एक भविष्य कहनेवाला और प्रतिक्रियाशील स्पर्श आधार मॉडल जारी किया है। यह मॉडल रोबोटों को स्पर्श महसूस करने की क्षमता प्रदान करता है, जिससे वे उच्च सटीकता के साथ जटिल भौतिक कार्य कर सकते हैं।
PHANES AI का काम VLA (विजन-लैंग्वेज-एक्शन) जैसे मौजूदा मॉडलों में एक महत्वपूर्ण कमी को दूर करता है। ये मॉडल दृष्टिगत रूप से पहचान सकते हैं कि रोबोट की उंगली बटन को छू रही है या नहीं, लेकिन वे यह निर्धारित नहीं कर सकते कि उस बटन को वास्तव में दबाया गया था या नहीं।
टचवर्ल्ड रोबोट नियंत्रण में स्पर्श जांच को दोहरी कार्यक्षमता प्रदान करता है। पहला, यह एक भविष्य कहनेवाला कार्य है: किसी भी कार्रवाई को निष्पादित करने से पहले, मॉडल न केवल उप-कार्य पूरा होने के बाद दृश्य का पूर्वानुमान लगाता है, बल्कि संबंधित स्पर्श मानचित्र का भी पूर्वानुमान लगाता है। यह मानचित्र इंगित करता है कि किस उंगली को दबाव महसूस करना चाहिए, संपर्क कहाँ होना चाहिए और किस तीव्रता से। इस प्रकार, रोबोट को एक भौतिक लक्ष्य बिंदु मिलता है जिसकी केवल दृष्टि से जाँच नहीं की जा सकती।
दूसरा, यह एक प्रतिक्रियाशील कार्य है: संपर्क स्थापित होने के बाद, मॉडल लगातार स्पर्श संकेतों और जोड़ों की स्थिति का विश्लेषण करता है। यह उंगली की स्थिति, पकड़ की ताकत और कलाई के कोण को वास्तविक समय में समायोजित करने के लिए सूक्ष्म सुधार लागू करने की अनुमति देता है, जिसके लिए उच्च-स्तरीय नीति द्वारा पुन: योजना की आवश्यकता नहीं होती है।
छह विभिन्न कार्यों - पौधों को पानी देना, मेज साफ करना, कांटा डालना, कप डालना, कड़ाही साफ करना और नैपकिन निकालना - पर वास्तविक रोबोटों पर परीक्षण के दौरान, टचवर्ल्ड ने निर्बाध परिस्थितियों में 65.0% औसत सफलता दर प्रदर्शित की। गड़बड़ी की उपस्थिति में, जिसमें लक्ष्य की गति और पकड़ में बाधाएं शामिल थीं, सफलता का प्रतिशत 57.2% रहा, जो क्रमशः सबसे मजबूत आधार स्तर से 15.7 और 16.0 प्रतिशत अंक अधिक है। प्रत्येक कार्य को 200 टेलीऑपरेशन ट्रैजेक्टरी पर प्रशिक्षित किया गया था और वास्तविक रोबोटों पर 100 परीक्षणों के दौरान मूल्यांकन किया गया था।
कंपनी का दावा है कि स्पर्श प्रतिक्रिया को मौजूदा VLA मॉडलों में बस एक और डेटा मोडैलिटी के रूप में जोड़ा नहीं जा सकता है। स्पर्श डेटा सूचना घनत्व, टाइमिंग और प्रसंस्करण गति के मामले में दृश्य डेटा से मौलिक रूप से भिन्न होता है। यदि उन्हें उसी मॉडल में फीड किया जाता है, तो स्पर्श संकेतों को दृश्य जानकारी द्वारा दबाया जा सकता है। इसके बजाय, टचवर्ल्ड एक अलग वास्तुकला का उपयोग करता है, जहां स्पर्श पूर्वानुमान और प्रतिक्रिया VLA पाइपलाइन के भीतर नहीं, बल्कि उसके समानांतर काम करते हैं। यह मॉडल को भौतिक संपर्क के परिणामों का अनुमान लगाने और वास्तविक दुनिया में हेरफेर के लिए आवश्यक गति के साथ अप्रत्याशित इंटरैक्शन पर प्रतिक्रिया करने दोनों की अनुमति देता है।
