💻 computer science

How Safe Will I Be Given What I Saw? Calibrated Prediction of Safety Chances for Image-Controlled Autonomy

यह शोध पत्र एंड-टू-एंड विजन-नियंत्रित स्वायत्त प्रणालियों के लिए एक कैलिब्रेटेड सुरक्षा भविष्यवाणी ढांचे को प्रस्तुत करता है जो वितरण बदलाव (distribution shift) और लॉन्ग-होरिज़न प्रेडिक्शन चुनौतियों के तहत विश्वसनीय, सैद्धांतिक रूप से पुख्ता जोखिम अनुमान प्रदान करने के लिए वर्ल्ड मॉडल्स, अनसुपरवाइज्ड डोमेन अडैप्टेशन और कॉन्फॉर्मल प्रेडिक्शन का लाभ उठाता है।

मूल लेखक: Zhenjiang Mao, Mrinall Eashaan Umasudhan, Ivan Ruchkin

प्रकाशित 2026-03-16

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Zhenjiang Mao, Mrinall Eashaan Umasudhan, Ivan Ruchkin

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 रेस कार चलाना सिखा रहे हैं। आप रोबोट को कोई मैप, स्पीडोमीटर या जीपीएस नहीं देते। इसके बजाय, आप उसे केवल एक कैमरा देते हैं और कहते हैं, "ट्रैक पर बने रहो।" रोबोट वीडियो फीड देखकर और स्टीयरिंग व्हील या एक्सीलेटर दबाकर सीखता है। इसे एंड-टू-एंड विजन कंट्रोल (end-to-end vision control) कहा जाता है।

समस्या क्या है? रोबोट एक "ब्लैक बॉक्स" है। वह निर्णय तो लेता है, लेकिन हमें यह नहीं पता कि वह क्यों ले रहा है, और हम यह आसानी से अनुमान भी नहीं लगा सकते कि वह क्रैश होने वाला है या नहीं, जब तक कि वह वास्तव में टकरा न जाए।

यह पेपर एक नया "सेफ्टी को-पायलट" सिस्टम पेश करता है। इसे एक झूठ पकड़ने वाले क्रिस्टल बॉल की तरह समझें जो रोबोट के वीडियो फीड को देखता है और दो सवालों के जवाब देने की कोशिश करता है:

"क्या रोबोट अगले कुछ सेकंड में क्रैश होने वाला है?"
"उस जवाब के बारे में आप कितने निश्चित हैं?"

यहाँ बताया गया है कि यह पेपर इस समस्या को कैसे हल करता है, जिसे सरल उपमाओं (analogies) के माध्यम से समझाया गया है:

1. समस्या: "धुंधला क्रिस्टल बॉल" (The Blurry Crystal Ball)

जब आप वीडियो के आधार पर भविष्य की भविष्यवाणी करने की कोशिश करते हैं, तो छोटी गलतियाँ जुड़ती जाती हैं।

उपमा: "टेलीफोन" गेम खेलने की कल्पना करें (जहाँ एक संदेश को लाइन में एक व्यक्ति से दूसरे तक फुसफुसाया जाता है)। यदि पहला व्यक्ति फुसफुसाता है "कार बाईं ओर मुड़ रही है," और अगला व्यक्ति सुनता है "कार मुड़ रही है," और अगला सुनता है "कार... तेजी से मुड़ रही है," तो अंत तक संदेश पूरी तरह से गलत हो जाता है।
पेपर में: यदि रोबोट यह भविष्यवाणी करता है कि 10 सेकंड बाद सड़क कैसी दिखेगी, तो उस भविष्यवाणी में छोटी त्रुटियां बढ़ती जाती हैं। जब तक रोबोट यह तय करने के लिए अपनी भविष्यवाणी को देखता है कि क्या यह सुरक्षित है, तब तक तस्वीर इतनी विकृत (एक "डिस्ट्रीब्यूशन शिफ्ट") हो जाती है कि सुरक्षा जांच विफल हो जाती है। वह एक सुरक्षित मोड़ को क्रैश समझ सकता है, या इसके विपरीत।

2. समाधान: "दो-चरणीय जासूस" (The Two-Step Detective - Composite Predictors)

लेखकों ने इस सेफ्टी को-पायलट को बनाने के दो तरीके आजमाए।

"मोनोलिथिक" दृष्टिकोण (The One-Step Wonder): यह एक अकेले जीनियस से वर्तमान वीडियो को देखने और तुरंत भविष्य का अनुमान लगाने के बारे में पूछने जैसा है। यह तेज़ है, लेकिन जैसे-जैसे समय की सीमा लंबी होती जाती है (भविष्य में अधिक दूर देखना), जीनियस भ्रमित हो जाता है और गलतियाँ करने लगता है।
"कंपोजिट" दृष्टिकोण (The Detective Team): यह पेपर का विजेता है। यह काम को तीन चरणों में तोड़ता है, एक जासूसी टीम की तरह:
1. अनुवादक (Encoder): यह अव्यवस्थित, हाई-डेफिनिशन वीडियो को लेता है और उसे एक सरल, अमूर्त "विचार" या सारांश (एक लेटेंट स्टेट) में बदल देता है। यह शोर (noise) को हटा देता है।
2. सपना देखने वाला (Forecaster): यह उस सरल "विचार" को लेता है और कल्पना करता है कि अगले कुछ "विचार" कैसे दिखेंगे। क्योंकि यह सरल सारांशों के साथ काम कर रहा है, इसलिए यह पिक्सेल-लेवल के शोर से भ्रमित नहीं होता।
3. न्यायाधीश (Evaluator): यह "सपनों वाले" भविष्य के विचारों को देखता है और निर्णय लेता है: "क्या यह सुरक्षित है?"

यह क्यों काम करता है: एक जटिल वीडियो की तुलना में एक सरल सारांश के भविष्य की भविष्यवाणी करना आसान है। "ड्रीमर" भविष्य की एक स्पष्ट तस्वीर बनाता है, जिससे "जज" बेहतर निर्णय ले पाता है।

3. "झूठ पकड़ने वाला यंत्र" (The Lie Detector - Calibration)

भले ही सिस्टम क्रैश की भविष्यवाणी करे, आपको उस पर कितना भरोसा करना चाहिए?

समस्या: AI अक्सर अति-आत्मविश्वासी होता है। यह कह सकता है, "मुझे 99% यकीन है कि यह सुरक्षित है," जबकि वास्तव में यह 50/50 का मामला होता है। यह खतरनाक है।
समाधान: लेखक कॉन्फ़ॉर्मल प्रेडिक्शन (Conformal Prediction) नामक तकनीक का उपयोग करते हैं।
उपमा: एक मौसम विज्ञानी की कल्पना करें। केवल यह कहने के बजाय कि "बारिश होगी," वे कहते हैं, "70% संभावना है कि बारिश होगी, और मुझे 95% विश्वास है कि वास्तविक संभावना 60% और 80% के बीच है।"
पेपर में: सिस्टम केवल एक नंबर नहीं देता; यह एक रेंज (सीमा) देता है। यदि सिस्टम कहता है "सुरक्षा की 80% संभावना है," तो कैलिब्रेशन यह सुनिश्चित करता है कि सांख्यिकीय रूप से, रोबोट वास्तव में लगभग 80% समय सुरक्षित रहता है। यदि सिस्टम अनिश्चित है, तो रेंज चौड़ी हो जाती है, जो मानव ऑपरेटर को चेतावनी देती है: "हे, मैं इस बारे में अनिश्चित हूँ!"

4. "स्व-सुधारने वाले चश्मे" (The Self-Correcting Glasses - Unsupervised Domain Adaptation)

क्या होगा यदि रोबोट बारिश में, या रात में, या ऐसे ट्रैक पर चलता है जिसे उसने पहले कभी नहीं देखा है? "जज" भ्रमित हो सकता है क्योंकि नया वातावरण प्रशिक्षण डेटा से अलग दिखता है।

उपमा: कल्पना कीजिए कि आप चश्मा पहनते हैं जो धूप वाले दिन के लिए पूरी तरह से कैलिब्रेटेड है। जब आप एक अंधेरी गुफा में जाते हैं, तो आपकी दृष्टि धुंधली हो जाती है। आपको चलते-चलते अपने चश्मे को एडजस्ट करने की आवश्यकता होती है।
समाधान: सिस्टम अनसुपरवाइज्ड डोमेन अडैप्टेशन (UDA) का उपयोग करता है। इसे यह बताने के लिए किसी इंसान की ज़रूरत नहीं है कि "हे, यह बारिश है!" इसके बजाय, यह नए वीडियो को देखता है, सुसंगत भविष्यवाणियां करने की कोशिश करता है, और नई लाइटिंग या मौसम को संभालने के लिए अपनी आंतरिक सेटिंग्स को सूक्ष्म रूप से "ट्यून" करता है। यह ऐसा है जैसे रोबोट अंधेरे में स्पष्ट देखने के लिए स्वचालित रूप से नए चश्मे पहन रहा है।

परिणाम

टीम ने तीन चीजों पर परीक्षण किया:

एक सिम्युलेटेड रेसिंग कार।
एक सिम्युलेटेड कार्ट-पोल (एक डंडा संतुलित करना)।
एक वास्तविक भौतिक "डॉन्की कार" (कैमरे वाला एक छोटा RC कार)।

निष्कर्ष स्पष्ट थे:

कंपोजिट दृष्टिकोण (जासूसी टीम) मोनोलिथिक दृष्टिकोण की तुलना में दीर्घकालिक सुरक्षा की भविष्यवाणी करने में बहुत बेहतर था।
कैलिब्रेशन (Calibration) पूरी तरह से काम कर गया। सिस्टम के आत्मविश्वास का स्तर वास्तविकता से लगभग सटीक रूप से मेल खाता था।
स्व-सुधारने वाले चश्मे (UDA) ने सिस्टम को सटीक बनाए रखा, भले ही वातावरण बदल गया हो या भविष्यवाणियां "धुंधली" हो गई हों।

मुख्य निष्कर्ष (The Bottom Line)

यह पेपर हमें उन रोबोटों पर भरोसा करने का एक तरीका देता है जो दुनिया को "देखते" हैं। यह हमें "मुझे उम्मीद है कि रोबोट क्रैश नहीं होगा" से "रोबोट ने सुरक्षा की 95% संभावना की गणना की है, और हमारे पास सांख्यिकीय प्रमाण है कि यह संख्या विश्वसनीय है" की ओर ले जाता है। यह एक ब्लैक बॉक्स को एक पारदर्शी, आत्म-जागरूक साथी में बदल देता है।

यहाँ शोध पत्र "How Safe Will I Be Given What I Saw? Calibrated Safety Prediction for Image-Controlled Autonomy" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र उन स्वायत्त रोबोटों (autonomous robots) के लिए सुरक्षा भविष्यवाणी (safety prediction) की महत्वपूर्ण चुनौती को संबोधित करता है जो एंड-टू-एंड विजन-नियंत्रित प्रणालियों (जैसे, कच्चे चित्रों से सीधे कार्यों को मैप करने वाले डीप न्यूरल नेटवर्क) पर निर्भर करते हैं।

मुख्य कठिनाई: पारंपरिक सुरक्षा सत्यापन विधियों के लिए अक्सर निम्न-आयामी अवस्था मॉडल (जैसे स्थिति, वेग) और स्पष्ट गतिशील समीकरणों की आवश्यकता होती है। हालाँकि, आधुनिक इमेज-कंट्रोल्ड सिस्टम एक "ब्लैक-बॉक्स" के रूप में कार्य करते हैं जहाँ अवस्था-परिवर्तन मॉडल ( $f$ ) और अवलोकन मॉडल ( $o$ ) अज्ञात या अप्राप्य होते हैं।
विशिष्ट चुनौती: उच्च-आयामी इमेज अनुक्रमों से लंबे क्षितिज (long horizons) (भविष्य के समय चरणों) पर सुरक्षा की भविष्यवाणी करना वितरण बदलाव (distribution shift) के प्रति संवेदनशील है। जैसे-जैसे एक प्रेडिक्टर भविष्य के फ्रेमों की भविष्यवाणी करता है, छोटी त्रुटियाँ संचयी (compound) होती जाती हैं, जिससे अनुमानित दृश्य प्रक्षेपवक्र (visual trajectory) प्रशिक्षण वितरण से काफी विचलित हो जाता है। इससे मिसकैलिब्रेटेड जोखिम अनुमान (अति-आत्मविश्वास या अल्प-आत्मविश्वास) और सुरक्षा मूल्यांकनकर्ताओं में उच्च फाल्स-पॉजिटिव दरें उत्पन्न होती हैं।
लक्ष्य: एक ऐसा ढांचा विकसित करना जो इमेज अनुक्रमों से सीधे भविष्य की सुरक्षा की संभावना ( $P(\phi(x_{i+k}) | y_i)$ ) की भविष्यवाणी कर सके और बिना तैनाती के दौरान मैन्युअल रीलेबलिंग के इन भविष्यवाणियों पर सांख्यिकीय रूप से कैलिब्रेटेड कॉन्फिडेंस बाउंड्स प्रदान कर सके।

2. कार्यप्रणाली (Methodology)

लेखक एक चार प्रमुख घटकों वाला एक मॉड्यूलर फ्रेमवर्क प्रस्तावित करते हैं:

A. मॉड्यूलर प्रेडिक्शन पाइपलाइन्स (Modular Prediction Pipelines)

यह शोध पत्र सुरक्षा भविष्यवाणी के लिए दो वास्तुशिल्प प्रतिमान (architectural paradigms) पेश करता है:

मोनोलिथिक प्रेडिक्टर्स (Monolithic Predictors): एक एकल नेटवर्क इमेज अनुक्रम को सीधे सुरक्षा संभावना में मैप करता है। हालांकि यह सरल है, लेकिन यह सुसंगत दीर्घकालिक गतिकी (dynamics) सीखने में संघर्ष करता है।
कंपोजिट प्रेडिक्टर्स (Composite Predictors - World Model-आधारित): ये कार्य को तीन चरणों में विभाजित करते हैं:
- एन्कोडर (Encoder): एक वेरिएशनल ऑटोएन्कोडर (VAE) या वेक्टर क्वांटाइज्ड VAE (VQ-VAE) का उपयोग करके कच्चे चित्रों को एक संक्षिप्त लेटेंट स्पेस (latent space) में संकुचित करता है।
- फोरकास्टर (Forecaster): रिकरेंट न्यूरल नेटवर्क (LSTM, BiLSTM) या ट्रांसफॉर्मर का उपयोग करके भविष्य की लेटेंट अवस्थाओं (trajectories) की भविष्यवाणी करता है।
- इवैल्यूएटर (Evaluator): अनुमानित लेटेंट प्रक्षेपवक्र की सुरक्षा का आकलन करता है।
- मुख्य अंतर्दृष्टि: कंपोजिट दृष्टिकोण स्पष्ट रूप से गतिकी सीखने को सुरक्षा मूल्यांकन से अलग करता है, जिससे सीखने की जटिलता कम हो जाती है।

B. अनसुपरवाइज्ड डोमेन एडेप्टेशन (Unsupervised Domain Adaptation - UDA)

लंबे-क्षितिज भविष्यवाणियों (जहाँ अनुमानित चित्र/लेटेंट्स प्रशिक्षण डेटा से भिन्न होते हैं) में वितरण बदलाव से निपटने के लिए:

लेखक परीक्षण के समय मार्जिनल एंट्रॉपी मिनिमाइजेशन (MEMO) का उपयोग करते हैं।
तंत्र: दिए गए इनपुट के लिए, सिस्टम कई स्टोकेस्टिक रूप से संवर्धित दृश्य (जैसे रोटेशन, शोर) उत्पन्न करता है। सुरक्षा मूल्यांकनकर्ता को इन दृश्यों में अपनी भविष्यवाणियों की एंट्रॉपी को कम करने के लिए एक सिंगल ग्रेडिएंट डिसेंट स्टेप के माध्यम से फाइन-ट्यून किया जाता है।
लाभ: यह मूल्यांकनकर्ता को बिना किसी नए ग्राउंड-ट्रुथ लेबल के, शिफ्ट हुए डेटा पर आत्मविश्वासी और सुसंगत भविष्यवाणियां करने के लिए मजबूर करता है।

C. कॉन्फ़ॉर्मल कैलिब्रेशन (Conformal Calibration)

यह सुनिश्चित करने के लिए कि अनुमानित संभावनाएँ विश्वसनीय हैं:

लेखक एडाप्टिव बिनिंग (Adaptive Binning) को कॉन्फ़ॉर्मल प्रेडिक्शन के साथ जोड़ते हैं।
व्यक्तिगत बाइनरी लेबल को कैलिब्रेट करने के बजाय, वे डेटा के बिन्स के भीतर औसत सुरक्षा संभावना को कैलिब्रेट करते हैं।
एल्गोरिदम: वे वैलिडेशन सेट पर नॉन-कनफॉर्मिटी स्कोर (अनुमानित और वास्तविक औसत सुरक्षा के बीच पूर्ण अंतर) की गणना करते हैं। इन स्कोर का उपयोग करके, वे एक सांख्यिकीय ऊपरी सीमा ( $c$ ) प्राप्त करते हैं ताकि वास्तविक सुरक्षा संभावना $1-\alpha$ विश्वास स्तर के साथ $[P' - c, P' + c]$ के भीतर रहे।

D. प्रशिक्षण रणनीति (Training Strategy)

दो-चरणीय प्रशिक्षण: पहले, VAE को छवियों के पुनर्निर्माण के लिए प्रशिक्षित किया जाता है। दूसरा, लेटेंट फोरकास्टर्स और इवैल्यूटर्स को लेटेंट रिप्रजेंटेशन पर प्रशिक्षित किया जाता है।
लॉस फंक्शन्स: VAEs पुनर्निर्माण + KL डाइवर्जेंस लॉस का उपयोग करते हैं; फोरकास्टर्स MSE का उपयोग करते हैं; इवैल्यूटर्स क्रॉस-एन्ट्रॉपी का उपयोग करते हैं।
डेटा हैंडलिंग: डेटासेट को स्वतंत्र प्रक्षेपवपथ (trajectories) के रूप में संरचित किया गया है ताकि कॉन्फ़ॉर्मल प्रेडिक्शन के लिए आवश्यक i.i.d. धारणा को संतुष्ट किया जा सके।

3. मुख्य योगदान (Key Contributions)

मॉड्यूलर पाइपलाइन फैमिली: इमेज-कंट्रोल्ड रोबोटों के लिए सुरक्षा भविष्यवक्ताओं का एक लचीला सेट, जो मोनोलिथिक बनाम कंपोजिट (वर्ल्ड मॉडल) दृष्टिकोणों की तुलना करता है।
UDA के माध्यम से मजबूती: सुरक्षा मूल्यांकनकर्ताओं के लिए अनसुपरवाइज्ड डोमेन एडेप्टेशन (MEMO) का एक अभिनव अनुप्रयोग, जो उन्हें संचयी भविष्यवाणी त्रुटियों के कारण होने वाले वितरण बदलावों के तहत सटीकता बनाए रखने में सक्षम बनाता है।
सैद्धांतिक कैलिब्रेशन गारंटी: एक मॉडल-फ्री, एंड-टू-एंड विजन सेटिंग में सुरक्षा चांस प्रेडिक्शन के लिए कॉन्फ़ॉर्मल कैलिब्रेशन का पहला कार्यान्वयन, जो भविष्यवाणी त्रुटि पर कठोर सांख्यिकीय सीमाएं प्रदान करता है।
व्यापक मूल्यांकन: तीन बेंचमार्क (रेसिंग कार, कार्ट पोल, और भौतिक डोंकी कार्स) पर व्यापक प्रयोग जो दृष्टिकोण की प्रभावकारिता को प्रदर्शित करते हैं।

4. प्रयोगात्मक परिणाम (Experimental Results)

फ्रेमवर्क का मूल्यांकन विभिन्न भविष्यवाणी क्षितिज ( $k$ ) के साथ तीन बेंचमार्क पर किया गया:

कंपोजिट बनाम मोनोलिथिक: कंपोजिट प्रेडिक्टर्स (वर्ल्ड मॉडल्स) मोनोलिथिक की तुलना में काफी बेहतर प्रदर्शन करते हैं, विशेष रूप से लंबे क्षितिज पर।
- तर्क: मोनोलिथिक मॉडल दीर्घकालिक अस्थायी निर्भरता (temporal dependencies) को पकड़ने में विफल रहते हैं, जबकि कंपोजिट मॉडल सुरक्षा का मूल्यांकन करने से पहले स्पष्ट रूप से गतिकी को मॉडल करते हैं।
- परिणाम: कंपोजिट मॉडल्स ने उच्च F1 स्कोर और काफी कम फाल्स-पॉजिटिव रेट (FPR) प्राप्त किया।
आर्किटेक्चर प्रभाव: ट्रांसफॉर्मर्स और VQ-VAEs (डिस्क्रीट लेटेंट स्पेस) सामान्य LSTM और निरंतर VAE की तुलना में बेहतर प्रदर्शन करते हैं, विशेष रूप से कैलिब्रेशन मेट्रिक्स (कम ECE और ब्रायर स्कोर) में।
UDA प्रभावशीलता: UDA से लैस इवैल्यूटर्स ने आउट-ऑफ-डिस्ट्रीब्यूशन (OOD) डेटा पर उल्लेखनीय मजबूती दिखाई।
- उदाहरण: रेसिंग कार OOD टेस्ट सेट पर, UDA इमेज इवैल्यूएटर ने मानक इमेज इववेल्यूएटर के 63.94% की तुलना में 81.65% का F1 स्कोर प्राप्त किया, जबकि सामान्य डेटा पर प्रदर्शन बनाए रखा।
कैलिब्रेशन विश्वसनीयता:
- कॉन्फ़ॉर्मल कैलिब्रेशन ने अपेक्षित कैलिब्रेशन एरर (ECE) को एक क्रम से कम करने में सफलता प्राप्त की (जैसे, ~0.13 से ~0.01 तक)।
- अनुमानित कॉन्फिडेंस इंटरवल ने सभी बेंचमार्क में >95% मामलों में वास्तविक सुरक्षा संभावना को समाहित किया, जो सैद्धांतिक गारंटियों को प्रमाणित करता है।

5. महत्व और प्रभाव (Significance and Impact)

अंतराल को पाटना: यह कार्य उच्च-प्रदर्शन एंड-टू-एंड विजन कंट्रोल और कठोर सुरक्षा आश्वासन के बीच के अंतर को पाटता है, जो असंरचित वातावरण में स्वायत्त रोबोटों को तैनात करने के लिए एक महत्वपूर्ण कदम है।
विश्वसनीय स्वायत्तता (Trustworthy Autonomy): केवल बाइनरी लेबल के बजाय कैलिब्रेटेड संभावनाएँ प्रदान करके, सिस्टम ऑपरेटरों को भविष्यवाणी की अनिश्चितता को समझने की अनुमति देता है। यह उन सुरक्षा-महत्वपूर्ण निर्णयों के लिए महत्वपूर्ण है जहाँ फाल्स नेगेटिव (असुरक्षित होने पर भी सुरक्षित बताना) विनाशकारी हो सकता है।
स्केलेबिलिटी: इस पद्धति के लिए निम्न-आयामी अवस्था मॉडल या तैनाती के दौरान मैन्युअल लेबलिंग की आवश्यकता नहीं होती है, जिससे यह उन वास्तविक दुनिया के सिस्टम के लिए लागू करने योग्य हो जाता है जहाँ ऐसा डेटा उपलब्ध नहीं है।
भविष्य की दिशा: शोध पत्र जीरो-शॉट सामान्यीकरण और सुरक्षा तर्क में सुधार के लिए बड़े फाउंडेशन मॉडल और विजन-लैंग्वेज मॉडल को एकीकृत करने की क्षमता को रेखांकित करता है।

संक्षेप में, शोध पत्र एक मजबूत, सैद्धांतिक रूप से आधारित ढांचा प्रस्तुत करता है जो स्वायत्त रोबोटों को कच्चे कैमरा इनपुट से अपने स्वयं के सुरक्षा जोखिमों की उच्च सटीकता और सांख्यिकीय रूप से गारंटीकृत आत्मविश्वास के साथ भविष्यवाणी करने में सक्षम बनाता है, भले ही वे नवीन पर्यावरणीय स्थितियों का सामना कर रहे हों।