ફેઈ-ફેઈ લી અને યુન્ઝુ લીએ તાજેતરમાં એક a16z પોડકાસ્ટમાં જણાવ્યું હતું કે World Labs એક “real-to-sim-to-real” પાઇપલાઇન રજૂ કરી રહ્યું છે જે રોબોટ્સને ભૌતિક ફ્લોરને સ્પર્શતા પહેલા જ હાઇ-ફિડેલિટી ડિજિટલ ટ્વિન્સમાં અવકાશી કાર્યો (spatial tasks) શીખવામાં મદદ કરે છે. આ અભિગમ રોબોટ તાલીમ ડેટા એકત્રિત કરવાની કિંમત અને જોખમ ઘટાડે છે, જે એક એવો અવરોધ છે જેણે ઘણા ઓટોમેશન પ્રોજેક્ટ્સને લેબમાં જ અટકી રહેવા મજબૂર કર્યા છે.

રોબોટ્સને ભાષા કરતાં વધુની જરૂર કેમ છે

લાર્જ લેંગ્વેજ મોડલ્સ ટેક્સ્ટ માટે આખા ઇન્ટરનેટમાંથી માહિતી મેળવી શકે છે, પરંતુ રોબોટ ફક્ત વિડિયો જોઈને તે જે જુએ છે તેની નકલ કરી શકતો નથી. વેરહાઉસમાં અવરજવર કરવા અથવા હોટલનો રૂમ સાફ કરવા માટે, રોબોટે ત્રિ-પરિમાણીય ભૂમિતિ (three-dimensional geometry), સપાટીના ગુણધર્મો અને ધક્કો મારવા, ઉંચકવા અને ગોઠવવાના ભૌતિકશાસ્ત્ર (physics) ને સમજવું આવશ્યક છે. આ "spatial intelligence" (અવકાશી બુદ્ધિ) ના ઘટકો છે, અને વાસ્તવિક દુનિયામાં મોટા પાયે તેને કેપ્ચર કરવા મુશ્કેલ છે.

ડેટા બોટલનેક (The data bottleneck)

વાસ્તવિક દુનિયાનો રોબોટ ડેટા એકત્રિત કરવો એ ધીમો, ખર્ચાળ અને ક્યારેક જોખમી હોય છે. એક નાની ભૂલ પણ હાર્ડવેરને નુકસાન પહોંચાડી શકે છે, પ્રોડક્શન લાઇન અટકાવી શકે છે અથવા માનવ કામદારને ઈજા પહોંચાડી શકે છે. આ કારણે, મોટાભાગની રોબોટિક્સ ટીમો નાના, હાથથી તૈયાર કરેલા ડેટાસેટ્સ પર આધાર રાખે છે જે રોજિંદા વાતાવરણની વિવિધતાને આવરી લેતા નથી.

World Labs સુસંગત ડિજિટલ દુનિયા બનાવીને આ અવરોધને દૂર કરે છે. તેમની SceniX સિસ્ટમ ભૌતિક અવકાશને એક સિમ્યુલેશનમાં રૂપાંતરિત કરે છે જે ભૂમિતિ (દીવાલો અને વસ્તુઓનો આકાર), દેખાવ (ટેક્સચર, રંગો, લાઇટિંગ) અને ભૌતિકશાસ્ત્ર (વસ્તુઓને ધક્કો મારતા તે કેવી રીતે હલે છે) ને જાળવી રાખે છે. રોબોટ તે વર્ચ્યુઅલ નકલમાં પ્રેક્ટિસ કરે છે, અને પછી તે જ પોલિસીઓ વાસ્તવિક સેટિંગમાં લાગુ કરી શકાય છે.

વિડિયો મોડલ્સ પૂરતા નથી

કેટલાક સંશોધકો દલીલ કરે છે કે હાઇ-રિઝોલ્યુશન વિડિયો જનરેટર્સ ભૌતિક સિમ્યુલેશનનું સ્થાન લઈ શકે છે. તે મોડલ્સ રોબોટના વ્યુપોઇન્ટના વ્યાજબી ફ્રેમ્સ બનાવી શકે છે, પરંતુ તેમાં સુસંગત ભૌતિકશાસ્ત્રનો અભાવ હોય છે. જો સિમ્યુલેટેડ વિડિયોમાં ધક્કો માર્યા પછી કપ અદૃશ્ય થઈ જાય છે, તો તે ફૂટેજ પર તાલીમ પામેલો રોબોટ ખોટો કારણ-અસરનો સંબંધ શીખશે. World Labs ની પાઇપલાઇન એવા વિશ્વ પર ભાર મૂકે છે જે સમય, અવકાશ અને ક્રિયાપ્રતિક્રિયા દરમિયાન સુસંગત રહે, જેથી રોબોટની "muscle memory" વાસ્તવિક દુનિયાના ભૌતિકશાસ્ત્ર સાથે સુસંગત રહે.

અર્ધ-માળખાગત અવકાશને લક્ષ્ય બનાવવું

ટીમ આવતીકાલે લિવિંગ રૂમમાં ફરતા હ્યુમનોઇડ આસિસ્ટન્ટ્સ બનાવવાનું લક્ષ્ય નથી રાખતી. તેના બદલે, તેઓ અર્ધ-માળખાગત (semi-structured) વાતાવરણ પર ધ્યાન કેન્દ્રિત કરે છે જ્યાં લેઆઉટ એટલું અનુમાનિત હોય કે ડિજિટલ ટ્વિન સચોટ હોઈ શકે, છતાં વાસ્તવિક અવકાશી તર્ક (spatial reasoning) ની જરૂર પડે તેટલું વૈવિધ્યસભર હોય. ઉદાહરણોમાં સામેલ છે:

  • વેરહાઉસ જ્યાં વસ્તુઓ શેલ્ફ અને પેલેટ્સ પર સંગ્રહિત હોય છે
  • રેસ્ટોરાં જેમાં ટેબલ, ખુરશીઓ અને ફરતું સ્ટાફ હોય છે
  • હોટેલ્સ જેમાં કોરિડોર, રૂમ અને સર્વિસ કાર્ટ હોય છે
  • ઔદ્યોગિક સાઇટ્સ જેમાં મશીનરી, કન્વેયર્સ અને સેફ્ટી બેરિયર્સ હોય છે

આ એવા સ્થળો છે જ્યાં વ્યવસાયો પહેલેથી જ ઓટોમેશનની માંગ કરી રહ્યા છે. પોડકાસ્ટમાં ઉલ્લેખિત એક તાજેતરના સર્વેક્ષણ મુજબ, વિનંતી કરાયેલ રોબોટ કાર્યોના ત્રીજા ભાગમાં સફાઈનો સમાવેશ થાય છે—જે પુનરાવર્તિત અને અપ્રિય કામ છે જે માણસો મશીનોને સોંપવા માટે આતુર હોય છે.

સફળતા કેવી દેખાશે

World Labs નો રોડમેપ આગામી બે વર્ષમાં ચોક્કસ ઉદ્યોગોમાં આ પાઇપલાઇનને સાબિત કરવા પર આધારિત છે. જો રોબોટ તાલીમ આપ્યા વિના સિમ્યુલેટેડ વેરહાઉસમાં પેલેટને વારંવાર ખસેડી શકે અને પછી વાસ્તવિક સુવિધામાં પણ તે જ કરી શકે, તો તે મોડેલે સાબિત કર્યું કે "વિશ્વસનીય સિમ્યુલેશનથી વિશ્વસનીય રોબોટ્સ મળે છે." તે વિશ્વસનીયતા મોટા કોન્ટ્રાક્ટ્સ ખોલી શકે છે અને ડિજિટલ ટ્વિન નિર્માણમાં કરવામાં આવેલા પ્રારંભિક રોકાણને યોગ્ય ઠેરવી શકે છે.

આગળ શું જોવું

  • ઇન્ડસ્ટ્રી પાયલોટ્સ – વેરહાઉસ અથવા હોટેલ્સમાં પ્રથમ અમલીકરણો એ દર્શાવશે કે આ પાઇપલાઇન એવા જટિલ કિસ્સાઓને સંભાળી શકે છે જે ફક્ત કાર્યસ્થળ પર જ જોવા મળે છે.

મુખ્ય વિચાર સરળ છે: રોબોટ્સ સ્ટેજ પર આવતા પહેલા તેમને એક સંપૂર્ણ રિહર્સલ સ્પેસ આપો. જો World Labs તે રિહર્સલને સતત પ્રદર્શનમાં બદલી શકે, તો રોબોટિક્સની સૌથી મુશ્કેલ સમસ્યા—મશીનોને ભૌતિક વિશ્વમાં સમજવા અને કાર્ય કરવા માટે શીખવવી—તેનો આખરે વ્યવહારુ ઉકેલ મળી શકે છે.