From Pixels to Predicates: Learning Symbolic World Models via Pretrained Vision-Language Models
यह शोध पत्र एक ऐसी विधि प्रस्तावित करता है जो सीमित दृश्य प्रदर्शनों (visual demonstrations) से संक्षिप्त, अमूर्त प्रतीकात्मक विश्व मॉडल (abstract symbolic world models) सीखने के लिए पूर्व-प्रशिक्षित विजन-लैंग्वेज मॉडल्स का लाभ उठाती है, जिससे नवीन वस्तुओं, वातावरणों और लक्ष्यों के माध्यम से जटिल रोबोटिक कार्यों के लिए ज़ीरो-शॉट सामान्यीकरण (zero-shot generalization) और दीर्घ-अवधि नियोजन (long-horizon planning) सक्षम होता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक रोबोट को कमरा साफ करना सिखाने की कोशिश कर रहे हैं।
पुराना तरीका ("तोते" वाला दृष्टिकोण):
आमतौर पर, यदि आप चाहते हैं कि एक रोबोट सीखे, तो आप उसे एक इंसान के सफाई करने का वीडियो दिखाते हैं। रोबोट उन सटीक गतिविधियों को याद करने की कोशिश करता है: "हाथ बाईं ओर ले जाओ, लाल कप उठाओ, बिन की ओर ले जाओ, गिरा दो।"
यह तब बहुत अच्छा काम करता है जब कमरा हर बार बिल्कुल एक जैसा ही दिखता हो। लेकिन क्या होगा अगर कप नीला हो? क्या होगा अगर बिन मेज के बजाय फर्श पर हो? क्या होगा अगर मेज पर कोई नई वस्तु, जैसे कि कोई खिलौना, आ जाए? रोबोट भ्रमित हो जाता है। यह एक ऐसे तोते की तरह है जो केवल एक गाना दोहरा सकता है लेकिन उसे बोल समझ नहीं आते। यदि आप धुन बदल देते हैं, तो तोता गाना बंद कर देता है।
नया तरीका ("अनुवादक" दृष्टिकोण - Pix2Pred):
यह पेपर pix2pred नामक एक नई विधि पेश करता है। केवल गतिविधियों को याद करने के बजाय, यह विधि रोबोट को एक विशेष "अनुवादक" (एक AI जिसे विजन-लैंग्वेज मॉडल कहा जाता है) का उपयोग करके कमरे की कहानी समझने के लिए प्रशिक्षित करती है।
यह इस प्रकार काम करता है, चरण-दर-चरण:
1. "अनुवादक" (विजन-लैंग्वेज मॉडल)
कल्पना कीजिए कि आपके पास एक बहुत ही बुद्धिमान, सुशिक्षित लाइब्रेरियन है जो एक फोटो देख सकती है और उसे सटीक अंग्रेजी में वर्णित कर सकती है।
- इनपुट: आप रोबोट को सफाई करने वाले इंसान के कुछ छोटे वीडियो दिखाते हैं।
- जादू: "लाइब्रेरियन" छवियों को देखता है और अवधारणाओं (जिन्हें प्रिडिकेट्स कहा जाता है) की एक शब्दावली बनाना शुरू करता है।
- केवल "पिक्सेल" देखने के बजाय, लाइब्रेरियन कहता है: "ओह, मैं एक मेज (Table) देख रहा हूँ," "वह एक इरेज़र (Eraser) है," "मेज साफ (Clean) है," "बिन भरा हुआ (Full) है," "रोबोट का हाथ खाली (Empty) है।"
- रोबोट केवल आकृतियाँ नहीं देखता; वह दृश्य के अर्थ को सीखता है।
2. "फ़िल्टर" (अनुकूलन/ऑप्टिमाइज़ेशन)
लाइब्रेरियन थोड़ा अधिक उत्साहित हो सकता है और 100 अलग-अलग अवधारणाएँ सुझा सकता है (जैसे, "क्या मेज गोल है?", "क्या मेज नीली है?", "क्या मेज खुश है?")। इनमें से अधिकांश बेकार हैं।
- इस पेपर का एल्गोरिदम एक सख्त संपादक की तरह कार्य करता है। यह वीडियो को देखता है और पूछता है: "इन 100 अवधारणाओं में से किस ने वास्तव में इंसान को समस्या हल करने में मदद की?"
- यह फालतू चीजों को हटा देता है और केवल महत्वपूर्ण अवधारणाओं को रखता है, जैसे "क्या मेज खाली है?" या "क्या वस्तु बिन के अंदर है?"
- अब रोबोट के पास नियमों का एक छोटा, शक्तिशाली शब्दकोश है जो वास्तव में मायने रखते हैं।
3. "शतरंज खिलाड़ी" (प्लानर)
अब, रोबोट के पास एक नया लक्ष्य है: "मेज साफ करो, लेकिन इस बार इरेज़र एक बॉक्स के अंदर छिपा हुआ है।"
- पुराना रोबोट: "मैंने बॉक्स के अंदर इरेज़र कभी नहीं देखा! मुझे नहीं पता कि क्या करना है!" (यह विफल हो जाता है)।
- Pix2Pred रोबोट: यह अपने शब्दकोश का उपयोग करता है। यह सोचता है:
- लक्ष्य: इरेज़र को मेज पर होना चाहिए।
- वर्तमान स्थिति: इरेज़र एक बॉक्स के अंदर है।
- योजना: मुझे बॉक्स खोलना होगा -> इरेज़र लेना होगा -> मेज पोंछनी होगी।
- यह अपने नियमों की जाँच करता है: "क्या मैं इरेज़र ले सकता हूँ? हाँ, यदि मेरा हाथ खाली है।"
- यह शतरंज के खिलाड़ी की तरह तीन चालें आगे की सोचकर, चरण-दर-चरण एक योजना बनाता है।
वास्तविक दुनिया का परीक्षण
शोधकर्ताओं ने एक वास्तविक रोबोट (बोस्टन डायनेमिक्स स्पॉट डॉग-रोबोट) और वीडियो गेम सिमुलेशन पर इसका परीक्षण किया।
- चुनौती: उन्होंने रोबोट को सरल कार्यों (जैसे एक वस्तु के साथ मेज पोंछना) पर प्रशिक्षित किया।
- परीक्षण: इसके बाद उन्होंने रोबोट को जटिल, नई चीजें करने के लिए कहा, जैसे कि:
- एक वस्तु के बजाय पाँच वस्तुओं के साथ मेज साफ करना।
- अलग-अलग रोशनी वाले पूरी तरह से अलग कमरे में मेज पोंछना।
- एक बिन से वस्तु निकालना, मेज पोंछना और वस्तु को वापस रखना (एक बहु-चरणीय पहेली)।
परिणाम: रोबोट सफल रहा! क्योंकि इसने केवल गतिविधियों की नकल करने के बजाय अवधारणाओं (जैसे "खाली हाथ" या "भरा हुआ बिन") को सीखा, यह सामान्यीकरण (generalize) करने में सक्षम था। यह एक बच्चे को खाना बनाने के नियम सिखाने जैसा था, न कि केवल उसे एक विशिष्ट सैंडविच बनाना दिखाने जैसा। एक बार जब वे नियम जान जाते हैं, तो वे पिज्जा, सलाद या सैंडविच बना सकते हैं, भले ही उन्होंने पहले कभी वह विशिष्ट व्यंजन न बनाया हो।
संक्षेप में
pix2pred एक ऐसी विधि है जो कच्चे कैमरा दृश्यों को एक सरल, तार्किक भाषा (जैसे "कप मेज पर है") में अनुवाद करने के लिए एक स्मार्ट AI का उपयोग करती है। फिर यह शोर को हटाकर सबसे महत्वपूर्ण नियमों को खोजती है। यह एक रोबोट को अपनी क्रियाओं की योजना तार्किक रूप से बनाने की अनुमति देता है, जिससे वह केवल पहले देखी गई चीज़ों की अंधाधुंध नकल करने के बजाय, सरल नियमों को जोड़कर नई समस्याओं को हल कर सकता है।
यह एक रोबोट को मूर्ख तोते से बदलकर एक विचारशील समस्या समाधानकर्ता में बदल देता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।