ইগো ক্যামেরা – রোবটের শেখার তথ্য সংগ্রহের জন্য মাথায় স্থাপনযোগ্য স্টেরিও ভিশন টুল
বিশেষভাবে মানুষের উপর প্রদর্শনের জন্য ডেটা সংগ্রহের উদ্দেশ্যে নির্মিত একটি হেড-মাউন্টেড বাইনোকুলার ক্যামেরা মডিউল। এটি ইমিটেশন লার্নিং এবং এমবডিড এআই পাইপলাইনকে শক্তিশালী করার জন্য হার্ডওয়্যার-সিঙ্ক্রোনাইজড, ফ্যাক্টরিতে প্রি-ক্যালিব্রেটেড ইগোসেন্ট্রিক র সেন্সর ডেটা সরবরাহ করে।
ফিজিক্যাল এআই-কে জর্জরিত করা ডেটা প্রতিবন্ধকতা
২০২৬ সাল নাগাদ রোবোটিক্স শিল্প জুড়ে একটি সর্বজনীন ঐকমত্য তৈরি হয়েছে: ডেটাই হলো সেই প্রধান প্রতিবন্ধকতা যা বৃহৎ পরিসরে বাস্তবভিত্তিক এআই স্থাপনাকে বাধা দিচ্ছে। বৃহৎ ল্যাঙ্গুয়েজ মডেলগুলো ট্রিলিয়ন ট্রিলিয়ন টেক্সট টোকেনের ওপর প্রশিক্ষিত হয়, অথচ বাস্তবভিত্তিক এআই সিস্টেমগুলো বাস্তব জগতের শারীরিক মিথস্ক্রিয়ার ফুটেজে এর দশ হাজার ভাগের এক ভাগেরও কম ডেটা ব্যবহারের সুযোগ পায়।
এই বৈষম্য অগ্রগতির পথে এক বিরাট প্রতিবন্ধকতা সৃষ্টি করে। শীর্ষস্থানীয় রোবোটিক্স গবেষণাগারগুলোর অনুমান অনুযায়ী, আগামী ২-৩ বছরের মধ্যে উন্নত ম্যানিপুলেশন পলিসি প্রশিক্ষণের জন্য ১০ কোটি থেকে ১০০ কোটি ঘণ্টার ইগোসেন্ট্রিক ফার্স্ট-পার্সন ফুটেজের প্রয়োজন হবে। এমনকি একটিমাত্র স্বতন্ত্র ম্যানিপুলেশন কাজের জন্যও প্রশিক্ষণ ডেটাসেটে ১ লক্ষ থেকে ১০ লক্ষ ঘণ্টার রেকর্ডকৃত মানব কার্যকলাপের প্রয়োজন হয়।
শিল্প বিশেষজ্ঞরা একমত যে আত্মকেন্দ্রিক ডেটা ক্যাপচার সর্বোচ্চ প্রসারণযোগ্যতা প্রদান করে। প্রতি ইউনিটে হাজার হাজার মার্কিন ডলার মূল্যের ব্যয়বহুল টেলিঅপারেশন রিগের উপর নির্ভর করার পরিবর্তে, গবেষণা দল এবং ডেটা বিক্রেতারা এখন হালকা ওজনের হেড-মাউন্টেড ক্যামেরা ব্যবহার করে মানুষের স্বাভাবিক দৈনন্দিন কাজ করার সময় প্রদর্শনীমূলক ফুটেজ ধারণ করে।
এই পরিবর্তন বাস্তব প্রয়োগে ইতিমধ্যেই দৃশ্যমান। ২০২৬ সালের এপ্রিলে, ভাইরাল হওয়া একটি ফুটেজে দেখা যায়, ভারতের দিল্লি এনসিআর অঞ্চল জুড়ে হাজার হাজার বস্ত্র শ্রমিক ইগোলাব.এআই (Egolab.AI) দ্বারা নির্মিত ছোট আকারের হেড-মাউন্টেড ক্যামেরা পরিধান করছেন। এই কর্মীরা এখন পরবর্তী প্রজন্মের হিউম্যানয়েড রোবটদের প্রশিক্ষণের জন্য বিশাল আকারের আত্মকেন্দ্রিক ভিডিও ডেটাসেট তৈরি করছেন।
কেন আত্মকেন্দ্রিক প্রথম-ব্যক্তি ডেটা অপরিহার্য
মানুষের চলন দক্ষতা নির্ভুলভাবে অনুকরণ করতে হলে রোবটকে অবশ্যই মানুষের দেখা সঠিক দৃশ্যমান ইনপুট উপলব্ধি করতে হবে। ২০২৫ থেকে ২০২৬ সালের মধ্যে প্রকাশিত গবেষণার একটি ধারা আত্মকেন্দ্রিক ডেটাসেটের রূপান্তরকারী মূল্যকে বৈধতা দেয়:
1.
হিউম্যানইগো প্রতিটি কাজের জন্য মাত্র ৩০ মিনিটের মানবকেন্দ্রিক ভিডিও বাস্তব জগতের ব্যবহারিক কাজগুলোতে গড়ে ৯২.৫% সাফল্যের হার অর্জন করে, যা মানুষ থেকে রোবটে ত্রুটিহীনভাবে দক্ষতা স্থানান্তর সম্ভব করে তোলে।
2.
ইগোমিমিক শুধুমাত্র রোবটের প্রশিক্ষণ ডেটার তুলনায় মানুষের প্রদর্শিত ডেটা অন্তর্ভুক্ত করলে কাজের পারফরম্যান্স ৩৪% থেকে ২২৮% পর্যন্ত বৃদ্ধি পায়। এক ঘণ্টার অতিরিক্ত রোবটের স্ব-সংগৃহীত ডেটার চেয়ে এক ঘণ্টার সম্পূরক মানুষের হাতের ফুটেজ মডেলের অনেক বেশি উন্নতি ঘটায়। হাইব্রিড মানব-রোবট ডেটাসেটগুলোও উন্নততর প্রশিক্ষণ এবং ডেপ্লয়মেন্ট পারফরম্যান্স প্রদান করে, যার মধ্যে দূরপাল্লার টেলিঅপারেশন ওয়ার্কফ্লোর ফুটেজও অন্তর্ভুক্ত।
3.
অহং স্কেল এনভিডিয়া গবেষকদের দ্বারা তৈরি এই ফ্রেমওয়ার্কটি, সাধারণ কাজকর্মে নিপুণভাবে পরিচালনার ক্ষমতা পরিমাপ করার জন্য ২০,৮৫৪ ঘণ্টার মানবকেন্দ্রিক ফুটেজের একটি বৈচিত্র্যপূর্ণ ডেটাসেট ব্যবহার করে।
4.
ওপেন-এওই সিঙ্ক্রোনাইজড হ্যান্ড কাইনেম্যাটিক্স এবং অ্যাটমিক অ্যাকশন অ্যানোটেশনের সাথে যুক্ত একটি ২,০০০-ঘণ্টার ইগোসেন্ট্রিক ভিডিও ডেটাসেট প্রকাশ করা হয়েছে।
5.
অত্যাধুনিক কাঠামো EgoGuide এবং EgoLive-এর মতো অত্যাধুনিক ফ্রেমওয়ার্কগুলো রোবট-মুক্ত প্রদর্শনী ধারণ এবং বৃহৎ পরিসরে আত্মকেন্দ্রিক ডেটাসেট তৈরিকে আরও সুবিন্যস্ত করে।
শিল্পের এই গতি থাকা সত্ত্বেও, উচ্চ-মানের ইগোসেন্ট্রিক ক্যাপচারের জন্য হার্ডওয়্যার সমাধানগুলো এখনও খণ্ডিত রয়ে গেছে। গবেষক এবং ডেটা টিমগুলো কনজিউমার অ্যাকশন ক্যামেরা, এআর আইওয়্যার এবং কাস্টম-নির্মিত রিগ একত্রিত করতে বাধ্য হচ্ছেন—এই প্রক্রিয়ায় সিনক্রোনাইজেশন নির্ভুলতা, ক্যালিব্রেশন সামঞ্জস্য এবং দীর্ঘক্ষণ ব্যবহারের আরামের সাথে আপোস করতে হচ্ছে।
ইগো ক্যামেরা পণ্যের সংক্ষিপ্ত বিবরণ
ইগো ক্যামেরা হলো একটি মাথায় পরার মতো বাইনোকুলার স্টেরিও ক্যামেরা মডিউল, যা রোবট লার্নিং, এমবডিড এআই এবং ইমিটেশন লার্নিং ওয়ার্কফ্লোতে আত্মকেন্দ্রিক ডেটা সংগ্রহের জন্য একেবারে গোড়া থেকে ডিজাইন করা হয়েছে।
গবেষণার কাজে ব্যবহৃত সাধারণ অ্যাকশন ক্যামেরার মতো নয়, ইগো ক্যামেরাটি বিশেষভাবে অ্যাকাডেমিক এবং শিল্পক্ষেত্রের রোবোটিক্স পাইপলাইনের জন্য তৈরি। এটি বক্স থেকে বের করার সাথে সাথেই পরিষ্কার, হার্ডওয়্যার-সিঙ্ক্রোনাইজড এবং ফ্যাক্টরিতে প্রি-ক্যালিব্রেটেড র সেন্সর ডেটা আউটপুট করে, যার জন্য কোনো পোস্ট-প্রসেসিং সেটআপের প্রয়োজন হয় না।
মূল প্রযুক্তিগত স্পেসিফিকেশন
| স্পেসিফিকেশন | বিস্তারিত |
|---|---|
| ইমেজ সেন্সর | ডুয়াল ২ মেগাপিক্সেল গ্লোবাল শাটার সিএমওএস সেন্সর |
| অনুভূমিক দৃশ্য ক্ষেত্র (HFOV) | ৬০–৬৫°, যা মানুষের স্বাভাবিক দৃষ্টিসীমার অনুরূপ। |
| শাটার প্রযুক্তি | গ্লোবাল শাটার; উচ্চ-গতির চলাচলের সময় রোলিং শাটারের বিকৃতি দূর করে। |
| আইএমইউ মডিউল | ৬-অক্ষ বিশিষ্ট ICM-26888-P (৩-অক্ষ বিশিষ্ট অ্যাক্সেলেরোমিটার + ৩-অক্ষ বিশিষ্ট জাইরোস্কোপ), ২০০–৫০০ হার্জ স্যাম্পলিং ফ্রিকোয়েন্সি |
| সিঙ্ক্রোনাইজেশন প্রক্রিয়া | হার্ডওয়্যার GPIO ট্রিগার; ফ্রেম-IMU সিঙ্ক্রোনাইজেশন ত্রুটি < ১০ মাইক্রোসেকেন্ড |
| টাইমস্ট্যাম্পিং | প্রতিটি ইমেজ ফ্রেম এবং IMU রিডিংয়ের জন্য হার্ডওয়্যার-স্তরের একীভূত ন্যানোসেকেন্ড টাইমস্ট্যাম্প। |
| তারযুক্ত ইন্টারফেস | ইউএসবি ২.০ টাইপ-সি, ইউভিসি অনুবর্তী; উইন্ডোজ, লিনাক্স এবং আরওএস-এর জন্য ক্রস-প্ল্যাটফর্ম এসডিকে সমর্থন। |
| ওয়্যারলেস স্থাপন | অনবোর্ড ওয়াইফাই + মাইক্রোএসডি কার্ড স্টোরেজ; ফুটেজ স্থানীয় স্টোরেজে অগ্রাধিকার পায়, নেটওয়ার্ক পুনরায় সংযোগ হলে স্বয়ংক্রিয়ভাবে ক্লাউডে আপলোড হয়। |
| মাউন্টিং স্ট্যান্ডার্ড | ১/৪″-২০ থ্রেডেড মাউন্টিং হোল, যা আফটারমার্কেট হেড স্ট্র্যাপ এবং কাস্টম ফিক্সচারের সাথে সামঞ্জস্যপূর্ণ। |
| ক্রমাঙ্কন | ফ্যাক্টরিতে পূর্ব-ক্যালিব্রেট করা স্টেরিও ইন্ট্রিনসিক/এক্সট্রিনসিক প্যারামিটার এবং ক্যামেরা-আইএমইউ ট্রান্সফর্ম, যা অনবোর্ড ফ্ল্যাশ মেমরিতে স্থায়ীভাবে সংরক্ষিত থাকে। |
রোবট লার্নিংয়ের জন্য গ্লোবাল শাটার কেন অপরিহার্য
সাধারণ ক্যামেরাগুলো রোলিং শাটার সেন্সরের উপর নির্ভর করে, যা ক্রমানুসারে পিক্সেলের সারিগুলোকে এক্সপোজ করে। মানুষের হাতের দ্রুত নড়াচড়া—যা ডেমোনস্ট্রেশন ফুটেজে প্রায়শই দেখা যায়—"জেলি এফেক্ট" নামে পরিচিত মারাত্মক রোলিং শাটার আর্টিফ্যাক্ট তৈরি করে: যেমন—বস্তুর কিনারা বেঁকে যাওয়া, জ্যামিতিক বিকৃতি এবং ফিচার ট্র্যাকিংয়ের অনির্ভরযোগ্যতা।
এই বিকৃতিগুলো রোবোটিক্স পাইপলাইনকে অচল করে দেয়। VIO ফ্রন্টএন্ড, ভিজ্যুয়াল SLAM অ্যালগরিদম এবং ইমিটেশন লার্নিং পলিসিগুলো ফ্রেমের মধ্যেকার অপ্রত্যাশিত বৈশিষ্ট্য পরিবর্তন সহ্য করতে পারে না, যা মডেলের জেনারেলাইজেশন এবং বাস্তব কাজের পারফরম্যান্সকে মারাত্মকভাবে হ্রাস করে।
ইগো ক্যামেরার গ্লোবাল শাটার সেন্সর একটিমাত্র ক্যাপচার উইন্ডোতে সমস্ত পিক্সেলকে একযোগে এক্সপোজ করে। প্রতিটি ফ্রেম শূন্য জ্যামিতিক বিকৃতি সহ একটি সুস্পষ্ট রিজিড-বডি পোজের সাথে সঙ্গতিপূর্ণ—যা কঠোর রোবোটিক্স গবেষণা এবং বাণিজ্যিক মডেল প্রশিক্ষণের জন্য একটি বাধ্যতামূলক মান।
যেহেতু ইন্ডাস্ট্রি ক্রমাগত আরও বড় ও আত্মকেন্দ্রিক ডেটাসেটের (যেমন ইগোলাইভের হাজার হাজার ঘণ্টার হাই-ফিডেলিটি স্টেরিও ফুটেজের আর্কাইভ, যা বাস্তব গৃহস্থালি ও শিল্পকাজের চিত্র ধারণ করে) দিকে ঝুঁকছে, তাই বিকৃতিমুক্ত ও ফ্রেম-সঠিক ক্যাপচার হার্ডওয়্যারের চাহিদাও ক্রমাগত বাড়ছে।
হার্ডওয়্যার সিঙ্ক্রোনাইজেশন: নিম্ন-মানের এবং উৎপাদন-মানের প্রশিক্ষণ ডেটার মধ্যে পার্থক্য
যখন মানুষ কোনো বস্তু ধরা বা রাখার মতো কাজ সম্পাদন করে, তখন রোবট পলিসির জন্য হাতের দৃশ্যমান নড়াচড়া এবং শরীরের জড় গতির মধ্যে নিখুঁত সময়গত সামঞ্জস্য প্রয়োজন হয়। ক্যামেরা ফ্রেম এবং আইএমইউ (IMU) রিডিংয়ের মধ্যে মাত্র কয়েক মিলিসেকেন্ডের অসামঞ্জস্যও পুরো ট্রেনিং ডেটাসেটকে দূষিত করে ফেলে। সফটওয়্যার-ভিত্তিক টাইমস্ট্যাম্প অ্যালাইনমেন্ট (সফট সিনক্রোনাইজেশন) রেকর্ডিং সেশন জুড়ে সময়ের বিচ্যুতি জমা করে এবং উচ্চ-মানের ভিআইও (VIO) ও ইমিটেশন লার্নিং পাইপলাইনের জন্য প্রয়োজনীয় নির্ভুলতার মান পূরণে ব্যর্থ হয়।
ইগো ক্যামেরা একটি ডেডিকেটেড GPIO পালস ব্যবহার করে বাইনোকুলার সেন্সর এবং IMU উভয়কেই একযোগে ট্রিগার করে, যা ১০ মাইক্রোসেকেন্ডের চেয়েও ভালো সিনক্রোনাইজেশন নির্ভুলতা প্রদান করে। প্রতিটি ইমেজ ফ্রেম এবং ইনার্শিয়াল স্যাম্পল একটি শেয়ার্ড হার্ডওয়্যার টাইমস্ট্যাম্প বহন করে—যা VINS-Fusion এবং OpenVINS সহ মূলধারার VIO ফ্রেমওয়ার্কগুলির কঠোর টেম্পোরাল প্রয়োজনীয়তা পূরণ করে।
ওপেন-এওই (Open-AoE)-এর মতো ফ্ল্যাগশিপ অ্যানোটেটেড ইগোসেন্ট্রিক ডেটাসেটগুলো সিঙ্ক্রোনাইজড টেক্সট লেবেল, ম্যানোস-ভিত্তিক হ্যান্ড পোজ এস্টিমেশন, ক্যামেরা ট্র্যাজেক্টরি লগ এবং টেম্পোরালি লোক্যালাইজড অ্যাটমিক অ্যাকশন ট্যাগ সরবরাহ করার জন্য এই স্তরের হার্ডওয়্যার সিঙ্কের উপর নির্ভর করে—এই সবই হলো মূল ডেলিভারেবল যা ইগো ক্যামেরা নেটিভভাবে সমর্থন করার জন্য ডিজাইন করা হয়েছে।
কারখানায় পূর্ব-ক্যালিব্রেশন: সময়সাপেক্ষ অন-সাইট ক্যালিব্রেশন দূর করুন
একাধিক ক্যামেরা ব্যবহার করে ডেটা ক্যাপচার করার কার্যপ্রবাহের ক্ষেত্রে ম্যানুয়াল ক্যালিব্রেশন সবচেয়ে বেশি শ্রমসাধ্য প্রতিবন্ধকতাগুলোর মধ্যে অন্যতম। লেন্সের অভ্যন্তরীণ প্যারামিটার, স্টেরিও এক্সট্রিনসিক অফসেট এবং ক্যামেরা-আইএমইউ ট্রান্সফর্ম ম্যাট্রিক্স টিউন করার জন্য প্রতিটি ডিভাইসের ক্ষেত্রে বিশেষায়িত অপটিক্যাল সরঞ্জাম, প্রযুক্তিগত দক্ষতা এবং ঘণ্টার পর ঘণ্টা শ্রমের প্রয়োজন হয়।
ইগো ক্যামেরা এই কার্যপ্রক্রিয়াটি সম্পূর্ণরূপে দূর করে। কারখানা থেকে বের হওয়ার আগে প্রতিটি ইউনিটের সম্পূর্ণ এন্ড-টু-এন্ড ক্যালিব্রেশন করা হয়। সমস্ত গুরুত্বপূর্ণ প্যারামিটার—ফোকাল লেংথ, প্রিন্সিপাল পয়েন্ট কোঅর্ডিনেটস, ডিসটর্শন কোএফিসিয়েন্টস, স্টেরিও এক্সট্রিনসিকস এবং ক্যামেরা-আইএমইউ ট্রান্সফর্মস—অনবোর্ড ফ্ল্যাশ মেমরিতে স্থায়ীভাবে লিখে রাখা হয়।
গবেষণা দল এবং ডেটা বিক্রেতারা আনবক্সিংয়ের পাঁচ মিনিটের মধ্যেই বৈধ ফুটেজ রেকর্ড করা শুরু করতে পারে, যার জন্য কোনো চেকারবোর্ড টার্গেট, ক্যালিব্রেশন রিগ বা অর্ধ-দিবসের ক্যালিব্রেশন সেশনের প্রয়োজন হয় না। আধুনিক উচ্চ-মানের ইগোসেন্ট্রিক ডেটাসেটের জন্য ফ্যাক্টরিতে পূর্ব-ক্যালিব্রেটেড ক্যামেরা হার্ডওয়্যার আবশ্যক—এই স্পেসিফিকেশনটি প্রতিটি ইগো ক্যামেরা ইউনিটে সরাসরি অন্তর্ভুক্ত থাকে।
দুটি ডেপ্লয়মেন্ট মোড, একক সমন্বিত হার্ডওয়্যার প্ল্যাটফর্ম
১. ইউএসবি তারযুক্ত মোড
রিয়েল-টাইম লাইভ প্রিভিউ এবং স্বল্প-বিলম্বের রেকর্ডিংয়ের জন্য ল্যাপটপ বা ওয়ার্কস্টেশনের সাথে সংযোগ করুন। নিয়ন্ত্রিত পরীক্ষাগার পরিবেশের জন্য বিশেষভাবে তৈরি, যেখানে গবেষকরা চাহিদা অনুযায়ী ডেটার গুণমান যাচাই করেন। উইন্ডোজ, লিনাক্স এবং ROS রোবোটিক্স ফ্রেমওয়ার্কের সাথে সামঞ্জস্যপূর্ণ ক্রস-প্ল্যাটফর্ম SDK দ্বারা সম্পূর্ণরূপে সমর্থিত।
২. ওয়াইফাই + মাইক্রোএসডি কার্ড অফলাইন মোড
বৃহৎ পরিসরে বিকেন্দ্রীভূত ডেটা সংগ্রহের জন্য তারবিহীন রেকর্ডিং। নেটওয়ার্ক বিভ্রাটের সময় ডেটা ক্ষতি রোধ করতে, ধারণ করা সমস্ত ফুটেজ প্রথমে স্থানীয় মাইক্রোএসডি স্টোরেজে লেখা হয়; সংযোগ পুনরুদ্ধার হলে, ফাইলগুলি স্বয়ংক্রিয়ভাবে দূরবর্তী ক্লাউড সার্ভার বা নিজস্ব ডেটা ওয়্যারহাউসে সিঙ্ক হয়ে যায়। রান্নাঘর, উৎপাদন কর্মশালা, অফিস এবং অন্যান্য বাস্তব পরিবেশে একাধিক দৃশ্য ধারণ করে হাজার হাজার ঘণ্টার প্রদর্শনী ফুটেজ তৈরি করার জন্য এটি আদর্শ।
কাঠামোগত কাঁচা ডেটা আউটপুট (কোনো অন্তর্নির্মিত এআই প্রক্রিয়াকরণ নেই)
এই ইউনিটটি কোনো বিল্ট-ইন ইমেজ স্মুথিং, অটো-অ্যানোটেশন বা অন-ডিভাইস এআই ইনফারেন্স ছাড়াই অপরিবর্তিত, বিশুদ্ধ র সেন্সর ডেটা আউটপুট করে—যা কাস্টম ট্রেনিং পাইপলাইনে ইন্টিগ্রেশনের জন্য সম্পূর্ণ র ফিডেলিটি বজায় রাখে:
left_video.mp4/right_video.mp4সিঙ্ক্রোনাইজড স্টেরিও বাইনোকুলার ভিডিও স্ট্রিমimu_6axis.csvহার্ডওয়্যার টাইমস্ট্যাম্প দ্বারা ট্যাগকৃত ৬-অক্ষীয় জড়ত্বীয় পরিমাপ লগ (অ্যাক্সেলেরোমিটার + জাইরোস্কোপ)timestamps_ns.txtসকল ইমেজ ফ্রেম এবং আইএমইউ স্যাম্পলের জন্য একীভূত ন্যানোসেকেন্ড হার্ডওয়্যার টাইমস্ট্যাম্পcalibration_params.yamlকারখানায় তৈরি অভ্যন্তরীণ, বাহ্যিক এবং ক্যামেরা-আইএমইউ ক্রমাঙ্কন রূপান্তর
লক্ষ্য ব্যবহারকারী বিভাগ
মূর্ত এআই এবং অনুকরণমূলক শিক্ষণ একাডেমিক গবেষণা ল্যাব
হিউম্যানয়েড রোবট এবং নিপুণ ম্যানিপুলেশন রোবট প্রস্তুতকারক
বিশেষায়িত ডেটা পরিষেবা প্রদানকারীরা ভৌত এআই ক্লায়েন্টদের জন্য প্রশিক্ষণ ডেটাসেট তৈরি করে।
VIO এবং ভিজ্যুয়াল SLAM অ্যালগরিদম নির্মাণকারী গবেষণা ও উন্নয়ন দলসমূহ
রোবোটিক্স দলগুলো বৃহৎ পরিসরের আত্মকেন্দ্রিক প্রদর্শনী ডেটা সংগ্রহের কর্মপ্রবাহকে উন্নত করছে
পোস্ট করার সময়: ১১ আগস্ট, ২০২৬
