Apple के शोधकर्ताओं ने AI के लिए 3D स्पेस को समझने का स्मार्ट तरीका बनाया
RayRoPE नामक एक नई तकनीक AI मॉडलों को प्रकाश की किरणों का उपयोग करके दुनिया में चीजों का स्थान समझने में मदद करती है, न कि केवल सपाट निर्देशांक से। यह AI की ओर एक शांत लेकिन सार्थक कदम है जो वास्तव में भौतिक स्पेस को समझता है।
मुख्य बिंदु
- Apple ML Research ने 2025 में RayRoPE, मल्टी-व्यू AI मॉडल के लिए एक नई पोजिशनल एनकोडिंग विधि प्रकाशित की।
- RayRoPE AI को विभिन्न कोणों से लिए गए फ़ोटो के सेट में किसी भी पैच, या छोटी टाइल की स्थिति की सही पहचान करने देता है।
- यह तकनीक तब भी काम करती है जब कैमरा जटिल तरीकों से हिलता है, एक गुण जिसे SE(3)-इनवेरिएंस कहा जाता है जो पहली विधियों में नहीं था।
- RayRoPE प्रकाश की किरण के साथ एक भविष्यवाणीकृत बिंदु का उपयोग करता है न कि सिर्फ किरण की दिशा का, जो इसे पहले के तरीकों की तुलना में बेहतर ज्यामितीय सटीकता देता है।
कल्पना करें कि आप किसी को एक ही कमरे की बीस तस्वीरें दे रहे हैं जो विभिन्न कोणों से ली गई हैं। कोई व्यक्ति मानसिक रूप से उन तस्वीरों को एक साथ रख सकता है और कमरे को तीन आयामों में समझ सकता है। AI को भी ऐसा करना सिखाना, विश्वसनीय और सटीक तरीके से, आश्चर्यजनक रूप से कठिन है। यह वह समस्या है जिस पर Apple ML Research काम कर रहा है।
टीम का नया पेपर RayRoPE का परिचय देता है, एक ऐसी विधि जो AI मॉडल को बताती है कि इमेज की प्रत्येक छोटी टाइल वास्तविक दुनिया में कहाँ स्थित है। "Rope" भाग Rotary Position Encoding को संदर्भित करता है, जो AI मॉडलों को जानकारी के क्रम और स्थान को समझने में मदद करने के लिए एक व्यापक रूप से उपयोग की जाने वाली चाल है। "Ray" भाग नया है: सपाट ग्रिड निर्देशांकों का उपयोग करने के बजाय, RayRoPE किसी पैच की स्थिति को कैमरा लेंस से गुजरने वाली प्रकाश की भौतिक किरण का उपयोग करके वर्णित करता है।
इससे क्या फर्क पड़ता है? मानक दृष्टिकोण प्रत्येक इमेज टाइल को एक सरल पता के साथ चिह्नित करता है, जैसे पंक्ति पाँच, स्तंभ तीन। यह एक एकल फ़ोटो के लिए ठीक काम करता है। लेकिन जब आपके पास विभिन्न पदों और कोणों से लिए गए दर्जनों इमेज हैं, तो वे सपाट पते विफल हो जाते हैं। एक इमेज में "पंक्ति पाँच, स्तंभ तीन" में टाइल दूसरे इमेज में एक ही दीवार के कोने को "पंक्ति दो, स्तंभ नौ" के रूप में वर्णित कर सकता है। मॉडल भ्रमित हो जाता है।
RayRoPE इसे वास्तविक त्रि-आयामी स्पेस में एक बिंदु के लिए प्रत्येक टाइल को एंकर करके हल करता है। यह उस टाइल के लिए कैमरा किरण लेकर और किरण के साथ एक विशिष्ट बिंदु की भविष्यवाणी करके करता है, न कि केवल इसकी दिशा। परिणाम एक स्थिति विवरण है जो भले ही किस कैमरे ने फ़ोटो लिया हो, सुसंगत रहता है।
यह पेपर यह भी दिखाता है कि पहली सापेक्ष और पूर्ण एनकोडिंग योजनाएं तीन मुख्य परीक्षाओं में से कम से कम एक में विफल हो जाती हैं: प्रत्येक पैच को अद्वितीय रूप से पहचानना, किसी भी दिशा या घुमाव में कैमरा आंदोलन को संभालना, और फ़ोटो की जा रही दृश्य की वास्तविक ज्यामिति के अनुकूल होना। RayRoPE तीनों को पास करता है।
साधारण लोगों के लिए, लाभ तत्काल नहीं है। यह मूलभूत शोध है, जो एक उत्पाद तक पहुंचने से पहले चुपचाप AI सिस्टम में सुधार करता है। लेकिन अनुप्रयोग ठोस हैं: मैपिंग ऐप्स के लिए बेहतर 3D दृश्य पुनर्निर्माण, अधिक सटीक संवर्धित वास्तविकता ओवरले, और रोबोटिक्स के लिए तीव्र स्थानिक समझ।
रोजमर्रा की तकनीक के लिए इसका क्या मतलब है?
आज आपके फ़ोन पर कुछ भी शिप नहीं होता। यह एक शोध पत्र है, उत्पाद घोषणा नहीं। लेकिन RayRoPE जैसी तकनीकें उन AI मॉडलों को खिलाती हैं जो कैमरा ऐप्स, नेविगेशन और AR फीचर को शक्ति देते हैं। बेहतर स्थानिक समझ का मतलब है कि जब आपका फ़ोन किसी कमरे को मापने या किसी स्ट्रीट व्यू पर दिशाएं ओवरले करने का प्रयास करता है तो कम त्रुटियां होती हैं। सुधार वह तरह का है जो आप केवल तब देखते हैं जब चीजें गलत होनी बंद हो जाती हैं।
