Context Matters! Relaxing Goals with LLMs for Feasible 3D Scene Planning

यहाँ शोध पत्र "Context Matters! Relaxing Goals with LLMs for Feasible 3D Scene Planning" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

एम्बोडेड एजेंटों (रोबोटों) को वास्तविक 3D वातावरण में एक गंभीर चुनौती का सामना करना पड़ता है: उपयोगकर्ता के इरादे (user intent) और पर्यावरणीय बाधाओं (environmental constraints) के बीच का अंतर।

• शुद्ध LLM प्लानर (Pure LLM Planners): ये सामान्य ज्ञान (commonsense reasoning) का लाभ उठाते हैं लेकिन अक्सर पूर्व-शर्तों (preconditions) या क्रियाओं का "भ्रम" (hallucinate) पैदा करते हैं, जिससे ऐसी अनुक्रमों (sequences) का प्रस्ताव मिलता है जो किसी विशिष्ट दृश्य में निष्पादित होने पर अव्यवहारिक या असुरक्षित हो सकते हैं।
• शुद्ध शास्त्रीय प्लानर (Pure Classical Planners - PDDL): ये औपचारिक गारंटी और सुरक्षा प्रदान करते हैं लेकिन भंगुर (brittle) होते हैं। यदि कोई लक्ष्य वस्तुओं की कमी या बाधित रास्तों (जैसे, दराज बंद है, या कोई विशिष्ट कांटा गायब है) के कारण असंतोषजनक है, तो प्लानर केवल विफल हो जाता है, और उपयोगकर्ता के मूल इरादे को सुरक्षित रखते हुए लक्ष्य को अनुकूलित करने का कोई तंत्र प्रदान नहीं करता है।
• अंतराल (The Gap): मौजूदा हाइब्रिड दृष्टिकोण (जैसे, DELTA) अक्सर विफल हो जाते हैं जब उत्पन्न प्रतीकात्मक डोमेन (symbolic domain) भौतिक दृश्य के साथ पूरी तरह से मेल नहीं खाता है, जिससे बिना किसी व्यवस्थित तरीके से लक्ष्य को "शिथिल" (relax) किए बिना निष्पादन विफलताएं होती हैं।

2. कार्यप्रणाली: ContextMatters

लेखक ContextMatters का प्रस्ताव करते हैं, जो पदानुक्रमित लक्ष्य शिथिलीकरण (hierarchical goal relaxation) करने के लिए लार्ज लैंग्वेज मॉडल्स (LLMs) को शास्त्रीय PDDL प्लानिंग के साथ जोड़ता है। यह सिस्टम 3D सीन ग्राफ (3DSG) पर संचालित होता है और एक द्वि-आयामी खोज रणनीति (bidimensional search strategy) का उपयोग करता है।

मुख्य अवधारणाएं (Core Concepts)

यह ढांचा संभव योजनाओं के स्थान (space) में नेविगेट करने के लिए दो ऑपरेटरों को परिभाषित करता है:

1. परिस्थितिजन्य बदलाव (Situational Shift - $\Gamma_{shift}$): यह योजना डोमेन ($\Sigma$) को विशिष्ट दृश्य संदर्भ के अनुकूल बनाता है। यह वस्तुओं, विधेयों (predicates) और प्रारंभिक अवस्थाओं के प्रतिनिधित्व को 3DSG के आधार पर परिष्कृत करता है ताकि डोमेन वास्तविकता से मेल खा सके।
2. लक्ष्य शिथिलीकरण (Goal Relaxation - $\Delta_{rel}$): जब कोई लक्ष्य प्राप्त करने योग्य नहीं होता है, तो यह ऑपरेटर एक कार्यात्मक रूप से समान लेकिन कमजोर लक्ष्य ($G'$) उत्पन्न करता है जो उपयोगकर्ता के इरादे को बनाए रखता है।
   • शिथिलीकरण के उदाहरण: संयोजकों (conjuncts) को छोड़ना (जैसे, "2 कांटे" $\to$ "1 कांटा"), विशिष्ट स्थिरांकों (constants) को प्रकारों (types) से बदलना (जैसे, "fork_1" $\to$ "कोई भी कांटा"), या विधेयों का सामान्यीकरण करना।

आर्किटेक्चर (The Architecture)

यह प्रणाली एक पुनरावृत्ति लूप (Algorithm 1) के माध्यम से कार्य करती है जिसमें शामिल हैं:

1. डोमेन जनरेशन: एक LLM, 3DSG और प्रारंभिक लक्ष्य के आधार पर एक PDDL डोमेन उत्पन्न करता है।
2. पुनरावृत्ति परिशोधन (Iterative Refinement): एक प्रतीकात्मक प्लानर समस्या को हल करने का प्रयास करता है। यदि यह विफल होता है, तो एक प्रतीकात्मक वैलिडेटर (Symbolic Validator - VAL) त्रुटियों (सिंटैक्स, लुप्त पूर्व-शर्तों) पर प्राकृतिक भाषा में फीडबैक प्रदान करता है। LLM इस फीडबैक का उपयोग PDDL समस्या को परिष्कृत करने के लिए करता है।
3. ग्राउंडिंग चेक (Grounding Check): यदि एक योजना मिल जाती है, तो यह सुनिश्चित करने के लिए 3DSG के विरुद्ध आभासी रूप से निष्पादित की जाती है कि किसी भी "भ्रमित" वस्तु (दृश्य में मौजूद नहीं होने वाली वस्तुएं) का संदर्भ न दिया गया हो।
4. लक्ष्य शिफ्टिंग और शिथिलीकरण: यदि परिशोधन और ग्राउंडिंग विफल हो जाती है, तो यह सिस्टम लक्ष्य शिफ्टिंग (दृश्य में वैकल्पिक वस्तुओं को खोजना, जैसे, अवरुद्ध दराज को शेल्फ से बदलना) और लक्ष्य शिथिलीकरण (लक्ष्य को व्यापक बनाना, जैसे, "3 स्नैक्स" $\to$ "2 स्नैक्स") को सक्रिय करता है।
5. खोज रणनीति (Search Strategy): सिस्टम एक शिथिलीकरण ग्राफ ($G_{relax}$) को पार करता है। यह लक्ष्यों को प्राप्त करने के लिए न्यूनतम आवश्यक संशोधन सुनिश्चित करने हेतु, क्षैतिज चालों (दृश्य के अनुरूप डोमेन को बदलने) को ऊर्ध्वाधर चालों (लक्ष्य को शिथिल करने) से पहले प्राथमिकता देता है।

3. प्रमुख योगदान (Key Contributions)

• संदर्भगत लक्ष्य-शिथिलीकरण औपचारिकता (Contextual Goal-Relaxation Formalism): एक नया गणितीय ढांचा जो लक्ष्य शिथिलीकरण को दो अक्षों के साथ परिभाषित करता है: कार्यात्मकता (क्या प्राप्त करना है) और व्यवहार्यता (कहाँ/कैसे प्राप्त करना है)।
• ContextMatters फ्रेमवर्क: एक नियोजन प्रणाली जो लक्ष्य प्रस्ताव के लिए LLM के सामान्य ज्ञान और व्यवहार्यता सत्यापन के लिए शास्त्रीय नियोजन को जोड़ती है। यह एक फीडबैक लूप पेश करता है जहाँ प्रतीकात्मक वैलिडेटर LLM के भ्रम (hallucinations) को ठीक करते हैं।
• नया डेटासेट: 10 वातावरणों में 141 कार्यों का एक बेंचमार्क जो विशेष रूप से "शिथिलीकरण-प्रवण" (अर्थात, ऐसे कार्य जहाँ मूल लक्ष्य असंभव है, जिसके लिए अनुकूलन की आवश्यकता है) होने के लिए डिज़ाइन किया गया है। यह पिछले बेंचमार्क (जैसे, DELTA के 15 कार्य) की तुलना में काफी बड़ा है।
• वास्तविक दुनिया का सत्यापन: TIAGo रोबोट पर सफल तैनाती, जो एक वास्तविक घरेलू वातावरण में अनुकूलित योजनाओं को संभालने की प्रणाली की क्षमता को प्रदर्शित करती है।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने ContextMatters का अत्याधुनिक बेसलाइनों: LLMAsPlanner, SayPlan, और DELTA के विरुद्ध मूल्यांकन किया।

• सफलता दर (Success Rate - SR):
  • ContextMatters (शिथिलीकरण के साथ): इसने 91.73% सफलता दर (योजना + ग्राउंडिंग) प्राप्त की।
  • DELTA (SOTA): इसने केवल 39.28% सफलता दर प्राप्त की।
  • सुधार: पेपर सर्वोत्तम LLM+PDDL बेसलाइन पर +52.45% सुधार की रिपोर्ट करता है।
• एब्लेशन अध्ययन (Ablation Studies):
  • "शिथिलीकरण" घटक को हटाने से SR गिरकर 66.94% हो गया, जो यह सिद्ध करता है कि असंभव कार्यों को संभालने के लिए लक्ष्य को अनुकूलित करने की क्षमता महत्वपूर्ण है।
  • "डोमेन जनरेशन" को हटाना (एक निश्चित डोमेन का उपयोग करना) अभी भी उच्च प्रदर्शन (91.54%) देता है, जो शिथिलीकरण तंत्र की मजबूती को दर्शाता है।
• दक्षता (Efficiency): हालांकि पुनरावृत्ति परिशोधन और LLM इन्फरेंस के कारण ContextMatseits को योजना बनाने में अधिक समय लगता है (औसत 19 सेकंड बनाम DELTA के लिए 0.03 सेकंड), यह निष्पादन योग्य योजनाएं बनाता है, जबकि तेज़ बेसलाइन अक्सर ग्राउंडिंग या निष्पादन चरण में विफल हो जाते हैं।
• वास्तविक रोबोट डेमो: सिस्टम ने एक वास्तविक कमरे में "Bring 4 kid snacks to table_2" कार्य को सफलतापूर्वक संभाला। जब केवल 3 स्नैक्स उपलब्ध थे, तो सिस्टम ने स्वायत्त रूप से लक्ष्य को एक "कोला कैन" (स्नैक के लिए एक कार्यात्मक विकल्प के रूप में, सुरक्षा बाधाओं का पालन करते हुए) को शामिल करने के लिए शिफ्ट किया और योजना को निष्पादित किया।

5. महत्व (Significance)

• सिम-टू-रियल गैप को पाटना: यह पेपर प्रदर्शित करता है कि रोबोटों के लिए असंरचित वास्तविक दुनिया के वातावरण में काम करने के लिए, उन्हें कठोर लक्ष्य संतुष्टि से आगे बढ़ना होगा। उन्हें यह तर्क देने की आवश्यकता है कि वर्तमान संदर्भ को देखते हुए क्या संभव है।
• इष्टतमता (Optimality) के बजाय मजबूती (Robustness): ContextMatters एक आदर्श दुनिया के लिए "परफेक्ट" योजना खोजने के बजाय एक व्यवहार्य योजना खोजने को प्राथमिकता देता है जो इरादे को बनाए रखती है। यह व्यावहारिक स्वायत्तता की ओर एक महत्वपूर्ण कदम है।
• हाइब्रिड इंटेलिजेंस: यह दोनों प्रतिमानों की शक्तियों का प्रभावी ढंग से लाभ उठाता है: लक्ष्य प्रस्ताव के लिए LLM का अर्थ संबंधी लचीलापन और सामान्य ज्ञान, और कठोर तार्किक निरंतरता और सुरक्षा गारंटी के लिए शास्त्रीय नियोजन।
• भविष्य की दिशा: यह कार्य सुझाव देता है कि भविष्य के एम्बोडेड AI सिस्टम में "संदर्भ-जागरूक आंशिक उपलब्धि" (context-aware partial achievement) को शामिल करना चाहिए, जहाँ विफलता को एक टर्मिनल त्रुटि के बजाय लक्ष्य को संशोधित करने के संकेत के रूप में देखा जाता है।