💻 computer science

From Action Labels to Sets: Rethinking Action Supervision for Imitation Learning from Corrective Feedback

यह शोध पत्र CLIC को प्रस्तुत करता है, जो एक ह्यूमन-इन-द-लूप इमिटेशन लर्निंग फ्रेमवर्क है जो भंगुर पॉइंटवाइज एक्शन सुपरविजन को सुधारात्मक फीडबैक से प्राप्त सेट-वैल्यूड टारगेट्स से बदल देता है, जिससे एक मजबूत पॉलिसी लर्निंग सक्षम होती है जो शोरपूर्ण, सापेक्ष और मल्टी-मोडल मानवीय मार्गदर्शन को समाहित करती है।

मूल लेखक: Zhaoting Li, Rodrigo Pérez-Dattari, Robert Babuska, Cosimo Della Santina, Jens Kober

प्रकाशित 2026-05-01

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Zhaoting Li, Rodrigo Pérez-Dattari, Robert Babuska, Cosimo Della Santina, Jens Kober

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 कोई कार्य करना सिखा रहे हैं, जैसे कप में पानी डालना या गेंद पकड़ना। पारंपरिक तरीका जिसे बिहेवियर क्लोनिंग (Behavior Cloning) कहा जाता है, वह इस तरह काम करता है। यह एक सख्त शिक्षक की तरह है जो मानचित्र पर एक सटीक बिंदु की ओर इशारा करते हुए कहता है, "तुम्हें बिल्कुल यहीं आना है।"

समस्या यह है कि इंसान भी पूर्ण नहीं होते। कभी-कभी हम थक जाते हैं, हमारे हाथ कांपते हैं, या हम बस थोड़ा गलत निर्देश दे देते हैं। यदि रोबोट हर एक मानवीय निर्देश को एक पूर्ण और अपरिवर्तनीय नियम मान लेता है, तो वह हमारी गलतियों को भी याद करने लगता है। इससे वह "भंगुर" (brittle) हो जाता है—यदि इंसान एक छोटी सी गलती करता है, तो रोबोट भ्रमित हो जाता है और विफल हो जाता है। यह उस छात्र की तरह है जो परीक्षा में एक गलत उत्तर के सटीक निर्देशांक (coordinates) को रट लेता है और फिर किसी भिन्नता को संभालने में असमर्थ होने के कारण असफल हो जाता है।

दूसरी ओर, कुछ विधियाँ रोबोट को इस तरह सिखाने की कोशिश करती हैं कि "यह क्रिया उस क्रिया से बेहतर है।" यह एक ऐसे शिक्षक की तरह है जो कहता है, "बाएँ जाना, दाएँ जाने से बेहतर है," बिना यह बताए कि कितना बाएँ जाना है। हालांकि यह अधिक लचीला है, लेकिन अक्सर यह बहुत अस्पष्ट होता है। रोबोट बिना किसी लक्ष्य के भटक सकता है क्योंकि उसे "अच्छे" व्यवहार की सीमाओं का ज्ञान नहीं होता।

नया विचार: "सेफ ज़ोन" (सुरक्षित क्षेत्र)

इस शोध पत्र के लेखक CLIC (कंट्रास्टिव पॉलिसी लर्निंग फ्रॉम इंटरएक्टिव करेक्शन) नामक एक मध्य मार्ग प्रस्तावित करते हैं। रोबोट को केवल एक बिंदु या एक अस्पष्ट तुलना देने के बजाय, वे उसे एक "सेफ ज़ोन" या एक "टारगेट सेट" खोजना सिखाते हैं।

यहाँ उपमा दी गई है:

पुराना तरीका (पॉइंटवाइज): शिक्षक कहता है, "ठीक इसी विशिष्ट टाइल पर खड़े हो जाओ।" यदि शिक्षक थोड़ा गलत टाइल की ओर इशारा करता है, तो रोबट वहीं खड़ा हो जाता है और विफल हो जाता है।
पुराना तरीका (पेयरवाइज): शिक्षक कहता है, "दाहिनी ओर के बजाय बाईं ओर खड़ा होना बेहतर है।" रोबोट जानता है कि उसे दाईं ओर नहीं होना चाहिए, लेकिन उसे यह नहीं पता कि उसे बहुत बाईं ओर, बीच में, या बस थोड़ा बाईं ओर खड़ा होना है। यह बहुत ढीला है।
CLIC (सेट-वैल्यूड): शिक्षक कहता है, "लाल टाइल पर मत खड़े हो (जहाँ रोबोट ने गलती की थी), लेकिन तुम हरे टाइल के आसपास के नीले घेरे में कहीं भी खड़े हो सकते हो।"

इस नए तरीके में, जब कोई इंसान रोबोट को सुधारता है, तो वे केवल एक नया निर्देशांक (coordinate) नहीं दे रहे होते। वे स्वीकार्य क्रियाओं के एक क्षेत्र को परिभाषित कर रहे होते हैं।

यदि इंसान रोबोट के हाथ को सुधारने के लिए उसे थोड़ा बाईं ओर धकेलता है, तो रोबोट सीखता है: "ठीक है, सही क्रिया इस सामान्य दिशा में कहीं भी हो सकती है, न कि अनिवार्य रूप से ठीक वहीं जहाँ आपने मुझे धकेला।"
यदि इंसान एक शोर भरा या कांपता हुआ सुधार देता है, तो रोबोट समझ जाता है कि "सेफ ज़ोन" थोड़ा धुंधला है, लेकिन वह अभी भी यह जानता है कि क्या नहीं करना है (गलत पक्ष) और क्या सामान्य रूप से स्वीकार्य है (ज़ोन)।

व्यावहारिक रूप में यह कैसे काम करता है

शोधकर्ताओं ने इस विचार का परीक्षण दो मुख्य तरीकों से किया:

सिमुलेशन (Simulations): उन्होंने टी-आकार (T-shaped) के ब्लॉक को धकेलने, कैन उठाने, या दो रोबोटिक भुजाओं के साथ किसी वस्तु को उठाने जैसे कार्यों के लिए हजारों कंप्यूटर सिमुलेशन चलाए।
- परिणाम: जब मानव डेटा सटीक था, तो CLIC पुराने तरीकों की तरह ही अच्छा काम करता था। लेकिन जब मानव डेटा शोर युक्त, कांपता हुआ या अधूरा (उदाहरण के लिए, इंसान ने दो हाथों वाले रोबोट के केवल एक हाथ को सुधारा) था, तब भी CLIC काम करता रहा जबकि पुराने तरीके पूरी तरह विफल हो गए या क्रैश हो गए।
- क्यों? क्योंकि CLIC ने कांपती हुई हाथ की गतिविधियों को याद करने की कोशिश नहीं की। इसने सही व्यवहार के आकार को सीखा।
वास्तविक रोबोट (Real Robots): उन्होंने वास्तविक रोबोटों पर निम्नलिखित कार्यों के लिए इसका परीक्षण किया:
- टी-आकार को यू-आकार में डालना: एक जटिल पहेली जिसमें सटीक गति की आवश्यकता होती है।
- गेंद पकड़ना: एक तेज़, गतिशील कार्य जहाँ इंसान आसानी से सटीक प्रदर्शन नहीं दे सकते, इसलिए वे केवल त्वरित दिशात्मक संकेत देते हैं।
- पानी डालना: एक कार्य जिसके लिए बोतल के सूक्ष्म नियंत्रण की आवश्यकता होती है।
- परिणाम: रोबोट ने अधिक तेज़ी से और अधिक विश्वसनीयता के साथ सीखा। गेंद पकड़ने के कार्य में, रोबोट शायद ही कभी गेंद पकड़ पाता था, लेकिन केवल दो प्रयासों के भीतर वह लगातार गेंद पकड़ने लगा, भले ही इंसान केवल मोटे दिशात्मक संकेत दे रहा था।

मुख्य निष्कर्ष

यह शोध पत्र दावा करता है कि मानवीय सुधारों को सटीक लक्ष्यों के बजाय संभावनाओं के क्षेत्रों के रूप में मानने से, रोबोट बहुत अधिक मजबूत (robust) बन जाते हैं। वे मानवीय गलतियों, कांपते हाथों और अधूरे निर्देशों को बिना भ्रमित हुए संभाल सकते हैं।

यह एक ऐसे छात्र के बीच का अंतर है जो एक गलत उत्तर को रट लेता है और उस छात्र के बीच का अंतर है जो सही उत्तर की अवधारणा (concept) को समझता है। CLIC रोबोट को केवल निर्देशांकों के बजाय अवधारणा (यानी "सेफ ज़ोन") सिखाता है, जो इसे मनुष्यों के शामिल होने पर एक बहुत बेहतर शिक्षार्थी बनाता है।

यहाँ शोध पत्र "From Action Labels to Sets: Rethinking Action Supervision for Imitation Learning from Corrective Feedback" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र इंटरैक्टिव इमिटेशन लर्निंग (IIL) और बिहेवियर क्लोनिंग (BC) की एक मौलिक सीमा को संबोधित करता है: पॉइंटवाइज सुपरविजन (pointwise supervision) की भंगुरता।

समस्या: पारंपरिक BC मानवीय प्रदर्शनों या सुधारात्मक फीडबैक को सटीक, पॉइंटवाइज एक्शन लक्ष्यों ( $a^*$ ) के रूप में मानता है। हालांकि यह सटीक डेटा के साथ प्रभावी है, लेकिन यह दृष्टिकोण तब विफल हो जाता है जब मानवीय फीडबैक शोर युक्त (noisy), उप-इष्टतम (suboptimal), या सापेक्ष (relative) होता है (जो केवल दिशा बताता है, परिमाण नहीं)।
परिणाम: जब एक्सप्रेसिव पॉलिसी क्लासेस (जैसे, एनर्जी-बेस्ड मॉडल (EBMs) या डिफ्यूजन मॉडल) का उपयोग किया जाता है, तो पॉइंटवाइज सुपरविजन के कारण पॉलिसी विशिष्ट, संभावित रूप से शोर युक्त लेबल्स पर ओवरफिट (overfit) हो जाती है। यह पॉलिसी को प्रदान किए गए एक्शंस के आसपास तीखे स्थानीय मिनिमा (local minima) की ओर मोड़ देता है, जिससे वह वास्तविक अंतर्निहित इष्टतम व्यवहार से दूर हो जाती है।
विकल्पों की सीमाएँ:
- पेयरवाइज प्रेफरेंस लर्निंग (Pairwise Preference Learning): हालांकि यह पॉइंटवाइज लेबल्स की तुलना में अधिक मजबूत है, लेकिन पेयरवाइज तुलनाएँ (जैसे, "एक्शन A, एक्शन B से बेहतर है") केवल दो एक्शंस के सापेक्ष क्रम को सीमित करती हैं। उच्च-आयामी निरंतर स्थानों (high-dimensional continuous spaces) में, यह शेष एक्शन स्पेस को काफी हद तक अनकन्स्ट्रेंड छोड़ देता है, जिससे पॉलिसी को उप-इष्टतम क्षेत्रों में उच्च संभावना असाइन करने की अनुमति मिलती है जबकि वह प्रेफरेंस कंस्ट्रेंट को संतुष्ट करती रहती है।
अंतराल (The Gap): एक ऐसे सुपरविजन ऑब्जेक्टिव की आवश्यकता है जो पॉइंटवाइज BC से अधिक मजबूत हो (शोर/उप-इष्टतमता को संभालने के लिए) लेकिन पेयरवाइज तुलनाओं से अधिक सूचनात्मक हो (एक्शन स्पेस को प्रभावी ढंग से बाधित करने के लिए)।

2. कार्यप्रणाली: CLIC

लेखक CLIC (Contrastive policy Learning from Interactive Corrections) प्रस्तावित करते हैं, एक ऐसा फ्रेमवर्क जो पॉइंटवाइज लेबल्स से बदलकर सेट-वैल्यूड सुपरविजन (set-valued supervision) की ओर जाता है।

मुख्य अवधारणा: वांछित एक्शन सेट (Desired Action Sets)

एक एकल लक्ष्य एक्शन के बजाय, CLIC एक मानवीय सुधार को एक वांछित एक्शन सेट ( $\hat{A}$ ) को परिभाषित करने के रूप में व्याख्या करता है। इस सेट में वे सभी एक्शंस शामिल हैं जो फीडबैक के अनुरूप हैं, जबकि निष्पादित (उप-इष्टतम) एक्शन को बाहर रखा गया है।

एब्सोल्यूट करेक्शन्स (Absolute Corrections): यदि कोई मानव एक नया एक्शन $a_h$ प्रदान करता है, तो वांछित सेट $a_h$ के आसपास का एक क्षेत्र (जैसे, एक बॉल या पॉलीटोप) होता है।
रिलेटिव करेक्शन्स (Relative Corrections): यदि कोई मानव वर्तमान एक्शन $a_r$ को सुधारने के लिए एक दिशा $h$ प्रदान करता है, तो वांछित सेट उस दिशा में एक कोन (cone) या हाफ-स्पेस (half-space) है, बिना किसी विशिष्ट परिमाण के प्रति प्रतिबद्ध हुए।

मुख्य घटक

A. वांछित एक्शन सेट्स का निर्माण
पेपर इन सेट्स के लिए दो विशिष्ट ज्यामितीय निर्माणों को परिभाषित करता है:

पॉलीटोप सेट्स (CLIC-Half): डेटा ऑग्मेंटेशन से प्राप्त कई "हाफ-स्पेस" बाधाओं के इंटरसेक्शन द्वारा निर्मित।
- एक एकल सुधार $(a_r, a_h)$ को कई कंट्रास्टिव पेयर्स $(a^-_i, a^+_i)$ में ऑगमेंट किया जाता है।
- प्रत्येक पेयर एक हाफ-स्पेस को परिभाषित करता है जहाँ $a^+_i$ के करीब वाले एक्शंस को प्राथमिकता दी जाती है।
- इन हाफ-स्पेस का इंटरसेक्शन एक पॉलीटोप बनाता है (जो एक कोन के करीब पहुँचता है)।
- पैरामीटर्स: डायरेक्शनल सर्टेन्टी ( $\alpha$ ) और मैग्नीट्यूड सर्टेन्टी ( $\epsilon$ ) सेट के आकार और आकार को नियंत्रित करते हैं।
सर्कुलर सेट्स (CLIC-Circular): विशेष रूप से एब्सोल्यूट करेक्शन्स के लिए।
- मानव एक्शन $a_h$ के केंद्र में एक बॉल को परिभाषित करता है जिसका रेडियस मानव एक्शन और रोबोट के एक्शन के बीच की दूरी के समानुपाती है।
- यह इस अंतर्ज्ञान को कैप्चर करता है कि इष्टतम एक्शन सुधार के पड़ोस के भीतर स्थित है।

B. एकत्रीकरण और अभिसरण (Aggregation and Convergence)

पुनरावृत्त परिशोधन (Iterative Refinement): एक एकल सुधार अक्सर इष्टतम एक्शन को सटीक रूप से बताने के लिए पर्याप्त नहीं होता है। CLIC समय के साथ कई सुधारों को एकत्रित करता है।
इंटरसेक्शन (Intersection): एक स्टेट के लिए समग्र वांछित एक्शन सेट, फीडबैक बफर से प्राप्त सभी व्यक्तिगत सेट्स का इंटरसेक्शन है ( $\hat{A}_{D_s} = \bigcap \hat{A}_i$ )।
अभिसरण (Convergence): सैद्धांतिक रूप से, जैसे-जैसे अधिक फीडबैक एकत्रित किया जाता है, इन सेट्स का इंटरसेक्शन इष्टतम एक्शंस के सेट ( $A^*_s$ ) की ओर अभिसरित होता है, बशर्ते कि शिक्षक उप-इष्टतम एक्शंस पर फीडबैक प्रदान करे और सेट्स में हमेशा कम से कम एक इष्टतम एक्शन शामिल हो।

C. पॉलिसी शेपिंग ऑब्जेक्टिव (Policy Shaping Objective)
पॉलिसी $\pi_\theta$ को इन सेट्स के साथ संरेखित करने के लिए, CLIC वर्तमान पॉलिसी और एक टारगेट डिस्ट्रीब्यूशन ( $\pi_{target}$ ) के बीच KL डाइवर्जेंस को कम करता है:
$\ell_{KL} = \mathbb{E} [ KL(\pi_{target}(\cdot|s) \parallel \pi_\theta(\cdot|s)) ]$

टारगेट डिस्ट्रीब्यूशन: एक ऑब्जर्वेशन मॉडल का उपयोग करके बेयस नियम (Bayes' rule) के माध्यम से परिभाषित किया जाता है।
- ऑब्जर्वेशन मॉडल: एक सॉफ्ट मेंबरशिप फंक्शन (सिग्मॉइड) जो सेट के अंदर के एक्शंस को उच्च संभाव्यता और बाहर के एक्शंस को निम्न संभाव्यता देता है।
- प्रायर (Prior): यूनिफॉर्म प्रायर के बजाय वर्तमान पॉलिसी को प्रायर के रूप में उपयोग करता है ( $\pi_\theta$ )। यह एक "पॉलिसी-वेटेड बेयस लॉस" बनाता है, जो यह सुनिश्चित करता है कि अपडेट रूढ़िवादी और क्रमिक हों, जिससे पॉलिसी पहले से सीखे गए व्यवहारों से बहुत दूर न जाए।
इम्प्लिसिट बनाम एक्सप्लिसिट (Implicit vs. Explicit):
- इम्प्लिसिट (EBM): लॉस को कंट्रास्टिव सैंपलिंग (InfoNCE-स्टाइल) का उपयोग करके ऑप्टिमाइज़ किया जाता है, जहाँ टारगेट डिस्ट्रीब्यूशन सैंपल्स को उनके सेट मेंबरशिप के आधार पर वेट देता है।
- एक्सप्लिसिट (Gaussian): यूनिमोडल कार्यों के लिए, यह एक हिंज लॉस (hinge loss) में सरल हो जाता है जो यह सुनिश्चित करता है कि पॉलिसी मीन पॉलीटोप के भीतर हो।

3. प्रमुख योगदान

सेट-वैल्यूड सुपरविजन परिप्रेक्ष्य: एक नया फॉर्मूलेशन प्रस्तावित करता है जहाँ सुधारात्मक फीडबैक एकल बिंदु के बजाय स्वीकार्य एक्शंस के एक क्षेत्र को परिभाषित करता है, जो पॉइंटवाइज BC और पेयरवाइज प्रेफरेंस लर्निंग के बीच के अंतर को पाटता है।
CLIC फ्रेमवर्क: एक व्यावहारिक एल्गोरिदम पेश करता है जो पॉलिसी को पुन: परिष्कृत करने के लिए इन सेट्स का निर्माण और एकत्रीकरण करता है। यह एब्सोल्यूट और रिलेटिव दोनों प्रकार के फीडबैक को सपोर्ट करता है और इम्प्लिसिट पॉलिसियों के माध्यम से मल्टी-मोडल व्यवहारों को स्वाभाविक रूप से संभालता है।
सैद्धांतिक विश्लेषण: अभिसरण की शर्तों को प्रदान करता है जो दिखाते हैं कि एकत्रित सेट-वैल्यूड फीडबैक इष्टतम एक्शन सेट को रिकवर कर सकता है, भले ही व्यक्तिगत फीडबैक सिग्नल शोर युक्त या सापेक्ष हों।
व्यापक मूल्यांकन: विविध फीडबैक प्रकारों पर मजबूती प्रदर्शित करने के लिए सिमुलेशन और वास्तविक रोबोट (KUKA iiwa) पर व्यापक सत्यापन।

4. प्रयोगात्मक परिणाम

सिमुलेशन प्रयोग:

सटीक फीडबैक: CLIC अत्याधुनिक तरीकों (जैसे, डिफ्यूजन पॉलिसी, IBC) के साथ प्रतिस्पर्धी प्रदर्शन करता है, जो यह सिद्ध करता है कि सेट-वैल्यूड सुपरविजन सटीक डेटा होने पर भी प्रदर्शन से समझौता नहीं करता है।
शोर युक्त फीडबैक: CLIC बेसलाइन (IBC, डिफ्यूजन पॉलिसी, PVP) की तुलना में काफी बेहतर प्रदर्शन करता है। जहाँ पॉइंटवाइज BC विधियाँ शोर पर ओवरफिट होती हैं और कन्वर्ज होने में विफल रहती हैं, वहीं CLIC का सेट-आधारित दृष्टिकोण शोर को सोख लेता है और उच्च सफलता दर बनाए रखता है।
सापेक्ष और आंशिक फीडबैक:
- रिलेटिव करेक्शन्स: CLIC-Half और CLIC-Explicit, डायरेक्शनल फीडबैक से सीखने में सफल रहे जहाँ पॉइंटवाइज BC विधियाँ पूरी तरह विफल रहीं (ऑन-पॉलिसी समस्या के कारण जहाँ पुराने सुधार उप-इष्टतम हो जाते हैं)।
- आंशिक फीडबैक: मल्टी-रोबोट कार्यों में जहाँ मनुष्य केवल एक हाथ को सुधारता है, CLIC-Half उत्कृष्ट प्रदर्शन करता है क्योंकि यह केवल सुधारे गए आयामों को बाधित करता है, जबकि पूर्ण (आंशिक रूप से उप-इष्टतम) एक्शन वेक्टर को इमिटेट करने वाली बेसलाइन विधियाँ विफल हो जाती हैं।

वास्तविक-रोबोट प्रयोग:

Insert-T (मल्टी-मोडल): CLIC-Half ने कठिन कार्यों पर 80% सफलता प्राप्त की, जो डिफ्यूजन पॉलिसी (30%) और IBC (10%) से काफी बेहतर है। यह जटिल, मल्टी-मोडल निर्णय लेने की क्षमता को संभालने में CLIC की क्षमता को उजागर करता है।
बॉल कैचिंग (डायनेमिक/पार्शियल): रिलेटिव और पार्शियल फीडबैक का उपयोग करके एक हाई-फ्रीक्वेंसी कार्य को सफलतापूर्वक सीखा, दो प्रयासों के भीतर 100% सफलता दर प्राप्त की।
वॉटर पोरिंग (प्रिसिजन): प्रशिक्षण के दौरान एब्सोल्यूट और रिलेटिव दोनों प्रकार के सुधारों के बीच स्विच करने की क्षमता प्रदर्शित की, जिससे पॉलिसी को कोर्स (coarse) से फाइन (fine) कंट्रोल की ओर रिफाइन किया जा सका।

एब्लेशन स्टडीज (Ablation Studies):

पुष्टि की कि पॉलिसी-वेटेड प्रायर स्थिरता के लिए महत्वपूर्ण है।
दिखाया कि सेट ज्योमेट्री ( $\alpha, \epsilon$ ) को नियंत्रित करने वाले हाइपरपैरामीटर्स को फीडबैक सिग्नल की अनिश्चितता के अनुरूप ट्यून किया जाना चाहिए।
विज़ुअलाइज़ किया कि जैसे-जैसे सेट रेडियस शून्य की ओर सिकुड़ता है, CLIC ओवरफिटिंग IBC में बदल जाता है, जो "सेट" फॉर्मूलेशन की आवश्यकता को प्रमाणित करता है।

5. महत्व और प्रभाव

मानवीय त्रुटि के प्रति मजबूती: प्राथमिक महत्व इमिटेशन लर्निंग को मानवीय शिक्षकों (थकान, टेलीऑपरेशन सीमाएं, संज्ञानात्मक भार) की अंतर्निहित खामियों के प्रति मजबूत बनाना है।
एकीकृत फ्रेमवर्क: CLIC एब्सोल्यूट प्रदर्शन, रिलेटिव करेक्शन और पार्शियल फीडबैक को एक एकल गणितीय ढांचे के तहत एकीकृत करता है।
जटिल कार्यों के लिए स्केलेबिलिटी: शोर युक्त लेबल्स पर एक्सप्रेसिव मॉडल्स के ओवरफिटिंग से बचकर, CLIC वास्तविक दुनिया के इंटरैक्टिव सेटिंग्स में शक्तिशाली इम्प्लिसिट पॉलिसियों (EBMs) के उपयोग को सक्षम बनाता है।
व्यावहारिक अनुप्रयोग: यह विधि मानवीय शिक्षकों के संज्ञानात्मक भार को कम करती है (जो सटीक प्रक्षेप पथ के बजाय मोटे निर्देश दे सकते हैं) और जटिल रोबोटिक कार्यों के लिए सीखने की प्रक्रिया को तेज करती है।

संक्षेप में, CLIC इमिटेशन लर्निंग में पर्यवेक्षण की मौलिक इकाई को एक एकल बिंदु से बदलकर एक सेट में बदलकर, अपूर्ण मानवीय फीडबैक से सीखने के लिए एक गणितीय रूप से सुदृढ़ और अनुभवजन्य रूप से मजबूत समाधान प्रदान करता है।