💻 computer science

CRAFT: Coaching Reinforcement Learning Autonomously using Foundation Models for Multi-Robot Coordination Tasks

यह शोध पत्र CRAFT का प्रस्ताव करता है, जो एक ऐसा ढांचा है जो जटिल मल्टी-रोबोट समन्वय कार्यों को उप-कार्यों में स्वायत्त रूप से विभाजित करने के लिए लार्ज लैंग्वेज मॉडल्स (LLMs) का और रिवॉर्ड फंक्शन्स को परिष्कृत करने के लिए विजन लैंग्वेज मॉडल्स (VLMs) का लाभ उठाता है, जिससे मैन्युअल रिवॉर्ड डिजाइन के बिना समन्वय व्यवहारों की प्रभावी सीख और वास्तविक दुनिया में स्थानांतरण सक्षम होता है।

मूल लेखक: Seoyeon Choi, Kanghyun Ryu, Jonghoon Ock, Negar Mehr

प्रकाशित 2026-06-08

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Seoyeon Choi, Kanghyun Ryu, Jonghoon Ock, Negar Mehr

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 कुत्तों की एक टीम को एक जटिल नृत्य (डांस) सिखाने की कोशिश कर रहे हैं, जैसे कि एक संकीर्ण गेट से बिना एक-दूसरे से टकराए गुजरना, या बिना सूप गिराए एक भारी बर्तन को मिलकर उठाना।

यदि आप उन्हें बस कमरे में फेंक देते हैं और कहते हैं, "करो!" तो वे भ्रमित हो जाएंगे, एक-दूसरे से टकराएंगे और कभी सीख नहीं पाएंगे। यह वही समस्या है जिसका सामना यूसी बर्कले (UC Berkeley) के शोधकर्ताओं ने रोबोट्स के साथ किया। वे चाहते थे कि रोबोट मिलकर काम करें, लेकिन मानक कंप्यूटर प्रशिक्षण विधियाँ विफल हो रही थीं क्योंकि कार्य बहुत लंबे, बहुत जटिल थे, और रोबोट योजना बनाने के लिए एक-दूसरे से "बात" नहीं कर पा रहे थे।

यहाँ आता है CRAFT।

CRAFT को एक सुपर-स्मार्ट, AI-संचालित कोच के रूप में समझें जो केवल रोबोट्स को देखता ही नहीं है; बल्कि यह उन्हें सीखने का तरीका भी सक्रिय रूप से सिखाता है। यह "कोच" कैसे काम करता है, इसे सरल चरणों में यहाँ दिया गया है:

1. कोच बड़े काम को छोटे अभ्यासों में तोड़ता है (Curriculum Generation)

एक फुटबॉल कोच की कल्पना करें। वे एक नई टीम को तुरंत यह नहीं कहते, "जाओ वर्ल्ड कप जीतो!" इसके बजाय, वे इसे छोटे हिस्सों में तोड़ते हैं: "आज, हम पासिंग का अभ्यास करेंगे। कल, हम शूटिंग का अभ्यास करेंगे। अगले सप्ताह, हम डिफेंस करने का अभ्यास करेंगे।"

CRAFT एक लार्ज लैंग्वेज मॉडल (LLM) का उपयोग करता है—जो एक प्रकार का AI है जो भाषा और तर्क को समझने में बहुत अच्छा है—ताकि वह इस कोच की भूमिका निभा सके। एक बड़े, डरावने कार्य (जैसे "दो रोबोट्स को एक गेट पार करना है") को दिए जाने पर, कोच इसे छोटे, आसान चरणों की एक सूची में तोड़ देता है:

चरण 1: बस गेट से टकराए बिना चलना सीखें।
चरण 2: गेट के पास से गुजरना सीखें।
चरण 3: समन्वय (coordinate) करना सीखें ताकि एक के गुजरने तक दूसरा प्रतीक्षा करे।

2. कोच खेल के नियम लिखता है (Reward Generation)

रोबोट प्रशिक्षण में, रोबोट अच्छा करने पर "पॉइंट्स" (इनाम) प्राप्त करके और बुरा करने पर पॉइंट्स खोकर सीखते हैं। आमतौर पर, इंसानों को ये नियम लिखने पड़ते हैं, जो कठिन है।

CRAFT का कोच प्रत्येक छोटे अभ्यास के लिए स्कोरिंग नियम लिखने के लिए AI का उपयोग करता है।

उदाहरण: "गेट के पास से गुजरने" वाले ड्रिल के लिए, AI एक नियम लिखता है जो कहता है, "आपको गेट के करीब आने के लिए पॉइंट्स मिलेंगे, लेकिन यदि आप उससे टकराते हैं तो आपके पॉइंट्स कट जाएंगे।"
AI इस नियम को कंप्यूटर कोड में लिखता है जिसे रोबट वास्तव में समझ सकते हैं।

3. कोच देखता है और आलोचना करता है (Policy Evaluation)

एक बार जब रोबोट अभ्यास करते हैं, तो एक विज़न-लैंग्वेज मॉडल (VLM)—एक ऐसा AI जो वीडियो देख सकता है और समझ सकता है कि क्या हो रहा है—रोबोट्स को देखता है। यह एक रेफरी की तरह काम करता है।

क्या वे सफल हुए? यदि हाँ, तो कोच कहता है, "बहुत बढ़िया! चलिए अगले अभ्यास पर चलते हैं।"
क्या वे विफल रहे? यदि वे टकरा गए या फंस गए, तो रेफरी केवल "असफल" नहीं कहता। वह वीडियो और स्कोर के इतिहास को देखता है ताकि यह पता लगाया जा सके कि क्यों ऐसा हुआ। शायद रोबोट संतुलन बनाने की कोशिश में बहुत अधिक व्यस्त थे और आगे बढ़ना भूल गए।

4. कोच नियमों में सुधार करता है (Reward Refinement)

यही जादुई हिस्सा है। यदि रोबोट विफल होते हैं, तो कोच हार नहीं मानता।

"रेफरी AI" सलाह देता है: "रोबोट संतुलन बनाने के लिए बहुत अधिक अंक प्राप्त कर रहे हैं और आगे बढ़ने के लिए पर्याप्त नहीं। आगे बढ़ने वाले नियम को अधिक मजबूत होने की आवश्यकता है।"
"कोच AI" इस सलाह को लेता है और समस्या को ठीक करने के लिए स्कोरिंग नियमों को फिर से लिखता है।
रोबोट नए नियमों के साथ फिर से प्रयास करते हैं। वे इस लूप (कोशिश करें -> देखें -> नियमों को ठीक करें -> फिर से कोशिश करें) को तब तक दोहराते रहते हैं जब तक कि वे उस विशिष्ट छोटे अभ्यास में महारत हासिल नहीं कर लेते।

परिणाम: सिमुलेशन से वास्तविकता तक

शोधकर्ताओं ने इसे दो मुख्य चुनौतियों पर परखा:

क्वाड्रुपेड नेविगेशन (Quadruped Navigation): दो चार पैरों वाले रोबोट (कुत्तों की तरह) बिना टकराए एक संकीर्ण गेट से गुजरने का अभ्यास कर रहे हैं।
बाइमैनुअल मैनिपुलेशन (Bimanual Manipulation): दो रोबोटिक हाथ मिलकर एक भारी बर्तन को सीधा रखते हुए उठाने का अभ्यास कर रहे हैं।

क्या हुआ?

इस कोच के बिना, अन्य विधियाँ विफल हो गईं या अजीब, अप्राकृतिक हरकतें सीखीं (जैसे कि पॉइंट्स पाने के लिए अपने जोड़ों को असंभव तरीकों से मोड़ना)।
CRAFT के साथ, रोबोटों ने सुचारू रूप से समन्वय करना सीखा। उन्होंने पहले बुनियादी बातें सीखीं, फिर कठिन चीजों की ओर बढ़े।
वास्तविक दुनिया का परीक्षण: सबसे अच्छी बात? शोधकर्ताओं ने कंप्यूटर सिमुलेशन में प्रशिक्षित रोबोट्स को वास्तविक भौतिक रोबोट्स (Unitree Go1 और Go2) पर रखा। बिना किसी अतिरिक्त ट्यूनिंग के, रोबोट वास्तविक दुनिया में गेट से सफलतापूर्वक गुजरे, जिससे साबित हुआ कि प्रशिक्षण काम कर गया।

सारांश में

CRAFT रोबोट्स के लिए एक धैर्यवान, बुद्धिमान ट्यूटर की तरह है। रोबोट्स के खुद से जटिल टीम वर्क सीखने की उम्मीद करने के बजाय, यह:

बड़े कार्य को छोटे चरणों में सरल बनाता है।
प्रत्येक चरण के लिए कस्टम नियम बनाता है।
रोबोट्स को देखता है और गलतियाँ होने पर नियमों को ठीक करता है।
उन्हें सरल अभ्यासों से जटिल समन्वय तक मार्गदर्शन देता है, जिससे अंततः उन्हें ऐसे वास्तविक दुनिया के कार्य करने में सक्षम बनाता है जिन्हें वे किसी अन्य तरीके से नहीं सीख सकते थे।

तकनीकी सारांश: CRAFT – मल्टी-रोबोट समन्वय कार्यों के लिए फाउंडेशन मॉडल्स का उपयोग करके स्वायत्त रूप से कोचिंग रिइन्फोर्समेंट लर्निंग

1. समस्या का निरूपण (Problem Formulation)

यह शोध पत्र वास्तविक दुनिया के मल्टी-रोबोट समन्वय कार्यों (multi-robot coordination tasks) में मल्टी-एजेंट रिइन्फोर्समेंट लर्निंग (MARL) को लागू करने की चुनौती को संबोधित करता है। जबकि MARL विकेंद्रीकृत निर्णय लेने (decentralized decision-making) के लिए एक ढांचा प्रदान करता है, रोबोटिक्स में इसका अनुप्रयोग निम्नलिखित कारणों से बाधित है:

उच्च-आयामी निरंतर जॉइंट एक्शन स्पेस (High-dimensional continuous joint action spaces)।
विरल और जटिल रिवॉर्ड डिज़ाइन (Sparse and complex reward design): ऐसे रिवॉर्ड्स को परिभाषित करना जो व्यक्तिगत व्यवहारों और आवश्यक टीम समन्वय दोनों को कैप्चर कर सकें, कठिन है।
नॉन-स्टेशनैरिटी (Non-stationarity): एजेंटों का एक साथ सीखना एक-दूसरे के लिए एक बदलते परिवेश का निर्माण करता है।
लॉन्ग-होरिज़न टास्क (Long-horizon tasks): वे कार्य जिनमें कई चरणों में संपर्क-समृद्ध (contact-rich) व्यवहारों की आवश्यकता होती है, अक्सर विफल हो जाते हैं क्योंकि शुरुआती इंटरैक्शन में छोटी त्रुटियां बाद की सफलता को रोक देती हैं।

लेखक तर्क देते हैं कि मनुष्य जटिल समन्वय के माध्यम से "कोचिंग" के जरिए सीखते हैं—जिसमें करिकुलम डिज़ाइन (कार्यों को उप-कार्यों में तोड़ना), लर्निंग सिग्नल प्रदान करना (रिवॉर्ड्स), और प्रगति का मूल्यांकन करना शामिल है। उनका तर्क है कि फाउंडेशन मॉडल्स (लार्ज लैंग्वेज मॉडल्स - LLMs और विजन-लैंग्वेज मॉडल्स - VLMs) इस कोचिंग भूमिका को स्वचालित कर सकते हैं, कार्यों को विघटित कर सकते हैं, रिवॉर्ड्स उत्पन्न कर सकते हैं, और विजुअल एवं मात्रात्मक फीडबैक के आधार पर उन्हें परिष्कृत (refine) कर सकते हैं।

2. कार्यप्रणाली: CRAFT फ्रेमवर्क

CRAFT (Coaching Reinforcement learning Autonomously using Foundation models for learning coordination Tasks) एक स्वचालित कोचिंग लूप के रूप में कार्य करता है जिसमें चार प्रमुख मॉड्यूल शामिल हैं:

2.1 करिकुलम जनरेशन मॉड्यूल (Curriculum Generation Module)

एक करिकुलम LLM एक लॉन्ग-होरिज़न टार्गेट टास्क ( $M_{target}$ ) को $K$ उप-कार्यों ( $M_1, \dots, M_K$ ) के एक अनुक्रम में विभाजित करता है।

प्रक्रिया: LLM को कार्य और वातावरण का प्राकृतिक भाषा विवरण प्राप्त होता है। LLM आउटपुट की स्टोकेस्टिसिटी (stochasticity) को कम करने के लिए, सिस्टम कई संभावित करिकुलम जनरेट करता है और LLM को उन्हें एक एकल, सुसंगत करिकुलम में परिष्कृत करने के लिए प्रॉम्प्ट करता है।
ग्राउंडिंग (Grounding): उप-कार्यों को सटीक रिवॉर्ड डिज़ाइन सुनिश्चित करने के लिए अस्पष्ट प्राकृतिक भाषा के बजाय विशिष्ट एनवायरनमेंट स्टेट वेरिएबल्स (जैसे, "हैंडल के यूक्लिडियन डिस्टेंस को कम करें") का उपयोग करके वर्णित किया जाता है।

2.2 रिवॉर्ड फंक्शन जनरेशन मॉड्यूल (Reward Function Generation Module)

प्रत्येक उपकार्य $M_k$ के लिए, एक रिवॉर्ड जनरेशन LLM प्राकृतिक भाषा विवरण को एक निष्पादन योग्य पायथन रिवॉर्ड फंक्शन ( $R_k$ ) में अनुवादित करता है।

संदर्भ (Context): LLM को एनवायरनमेंट विवरण, हेल्पर फंक्शन्स (उच्च-आयामी अवस्थाओं को प्रोसेस करने के लिए), और पिछले उप-कार्यों के रिवॉर्ड फंक्शन्स प्रदान किए जाते हैं ताकि 'कैटास्ट्रोफिक फॉरगेटिंग' को रोका जा सके।
संरचना: रिवॉर्ड को व्याख्या योग्य घटकों (जैसे, lift_reward, balance_reward) में विभाजित किया जाता है ताकि बाद के विश्लेषण की सुविधा मिल सके।
प्रशिक्षण: एक विकेंद्रीकृत पॉलिसी $\pi_k$ को सेंट्रलइज्ड ट्रेनिंग एंड डिसेंट्रलाइज्ड एक्जीक्यूशन (विशेष रूप से MAPPO) एल्गोरिदम का उपयोग करके प्रशिक्षित किया जाता है।

2.3 पॉलिसी इवैल्यूएशन मॉड्यूल (Policy Evaluation Module)

अगले उपकार्य पर बढ़ने से पहले, एक इवैल्यूएशन VLM प्रशिक्षित पॉलिसी $\pi_k$ का आकलन करता है।

इनपुट: VLM रोलआउट इमेजेस (विजुअल स्नैपशات) और स्टेट-वेरिएबल ट्राजेक्टरीज का विश्लेषण करता है।
निर्णय: यह निर्धारित करता है कि क्या पॉलिसी ने उपकार्य को सफलतापूर्वक पूरा किया है।
- सफलता: करिकुलम $M_{k+1}$ की ओर बढ़ता है।
- विफलता: VLM विफलता का कारण बताता है, जो रिफाइनमेंट लूप को ट्रिगर करता है।

2.4 रिवॉर्ड रिफाइनमेंट मॉड्यूल (Reward Refinement Module)

यदि कोई पॉलिसी विफल होती है, तो सिस्टम एक रिफाइनमेंट लूप में प्रवेश करता है (अधिकतम $J$ इटरेशन तक, आमतौर पर $J=3$ ):

एडवाइस जनरेशन: एक एडवाइस VLM विफलता के कारण, वर्तमान रिवॉर्ड कोड, और रिवॉर्ड-कंपोनेंट लर्निंग कर्व्स (प्लॉट्स जो दिखाते हैं कि प्रशिक्षण के दौरान विशिष्ट रिवॉर्ड टर्म्स कैसे विकसित हुए) का विश्लेषण करता है। यह रिवॉर्ड को संशोधित करने के लिए (जैसे, "लिफ्ट टर्म के वेट को बढ़ाएं," "एलिवेशन से स्क्वायर हटा दें") फ्री-फॉर्म सलाह उत्पन्न करता है।
रिवॉर्ड रिफाइनमेंट: एक रिफाइन LLM विफल रिवॉर्ड कोड और VLM की सलाह को लेकर एक नया, परिष्कृत रिवॉर्ड फंक्शन ( $R^{j+1}_k$ ) जनरेट करता है।
रिट्रेनिंग: नई रिवॉर्ड के साथ पॉलिसी को फिर से प्रशिक्षित किया जाता है। यदि सभी प्रयास विफल हो जाते हैं, तो इटरेशन्स में से सर्वश्रेष्ठ पॉलिसी को चुना जाता है, और करिकुलम अगले उपकार्य पर बढ़ जाता है।

वार्म-स्टार्टिंग (Warm-Starting): एक नए उपकार्य पर जाने पर, पॉलिसी वेट्स को पिछले उपकार्य की सफल पॉलिसी से इनिशियलाइज़ किया जाता है। "लॉस ऑफ प्लास्टिसिटी" (लोकल ऑप्टिमा में अभिसरण) को रोकने के लिए, सिस्टम एक्सप्लोरेशन पैरामीटर्स (पॉलिसी स्टैंडर्ड डेविएशन) और वैल्यू नेटवर्क वेट्स को रीसेट करता है, जबकि एक्टर वेट्स को सुरक्षित रखता है।

3. प्रमुख योगदान (Key Contributions)

CRAFT फ्रेमवर्क: एक अभिनव फ्रेमवर्क जो फाउंडेशन मॉडल्स की रीजनिंग क्षमताओं का लाभ उठाकर मल्टी-रोबोट टीमों को लॉन्ग-होरिज़न कोऑर्डिनेशन टास्क के माध्यम से स्वायत्त रूप से कोच करता है।
स्वचालित करिकुलम और रिवॉर्ड डिज़ाइन: टास्क डीकंपोजिशन और रिवॉर्ड जनरेशन के लिए LLMs का एकीकरण, साथ ही विजुअल इवैल्यूएशन और रिवॉर्ड रिफाइनमेंट के लिए VLMs का उपयोग, जो मानव-डिजाइन किए गए करिकुलम और रिवॉर्ड फंक्शन्स की आवश्यकता को कम करता है।
अनुभवजन्य सत्यापन (Empirical Validation): जटिल मल्टी-रोबोट कार्यों (मल्टी-क्वाड्रुपेड नेविगेशन और बाइमैनुअल मैनिपुलेशन) पर CRAFT की प्रभावशीलता का प्रदर्शन, जहाँ मानक MARL और बेसलाइन LLM मेथड्स विफल हो जाते हैं।
रियल-वर्ल्ड ट्रांसफर: बिना किसी फाइन-ट्यूनिंग के सिमुलेशन से फिजिकल हार्डवेयर (Unitree Go1 और Go2 क्वाड्रुपेड्स) पर सीखे गए पॉलिसियों का सफल ज़ीरो-शॉट ट्रांसफर।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने तीन वातावरणों पर CRAFT का मूल्यांकन किया: क्वाड्रुपेड गेट (नैरो गेट पासिंग), क्वाड्रुपेड सीसॉ (बैलेंसिंग और क्लाइंबिंग), और टू-आर्म लिफ्ट (सहकारी पॉट लिफ्टिंग)।

बेसलाइन्स के मुकाबले प्रदर्शन:
- CRAFT ने सीसॉ (59.33%) और लिफ्ट (94.67%) में उच्चतम सफलता दर हासिल की, और गेट (78.33%) में प्रतिस्पर्धी बना रहा।
- बेसलाइन्स: "Env Reward" (मानव-डिजाइन किया गया) और "Example Reward" ने लगभग शून्य या बहुत कम सफलता दर प्राप्त की। "From Scratch" (करिकुलम के बिना CRAFT रिवॉर्ड्स) CRAFT की तुलना में काफी खराब प्रदर्शन किया, जो करिकुलम की आवश्यकता को रेखांकित करता है।
- LLM बेसलाइन्स: Eureka (करिकुलम के बिना LLM रिवॉर्ड सर्च) और CurricuLLM (VLM रिफाइनमेंट के बिना LLM करिकुलम) की तुलना में CRAFT बेहतर रहा। Eureka अक्सर ऐसी पॉलिसियाँ सीखता था जो शारीरिक रूप से असंभव (unnatural joint configurations) थीं, जबकि CurricuLLM रिवॉर्ड रिफाइनमेंट की कमी के कारण कम विश्वसनीयता से ग्रस्त था।
रिवॉर्ड रिफाइनमेंट प्रभावकारिता: VLM-निर्देशित रिफाइनमेंट लूप ने CurricuLLM की तुलना में "करिकुलम सक्सेस रेशियो" (सफल पॉलिसी वाले परीक्षणों का अंश) और "मैक्सिमम सक्सेस रेट" में महत्वपूर्ण सुधार किया।
VLM विश्वसनीयता: VLM पॉलिसी इवैल्यूएशन मॉड्यूल ने ग्राउंड ट्रुथ के विरुद्ध 85.71% सटीकता प्राप्त की, जिसमें त्रुटियां कंजर्वेटिव फॉल्स नेगेटिव्स (सफल पॉलिसियों को खारिज करना) थीं, जो कि स्वीकार्य है क्योंकि यह केवल और अधिक रिफाइनमेंट को ट्रिगर करता है।
हार्डवेयर ट्रांसफर: क्वाड्रुपेड गेट कार्य में, सिमुलेशन में प्रशिक्षित पॉलिसी ने बिना किसी फाइन-ट्यूनिंग के 20 रन में वास्तविक रोबोट्स पर 65% सफलता दर प्राप्त की, जो मजबूत सिम-टू-रियल ट्रांसफर को प्रदर्शित करती है।

5. महत्व और दावे (Significance and Claims)

यह पेपर दावा करता है कि CRAFT मल्टी-रोबोट सिस्टम के लिए स्वायत्त कोच के रूप में फाउंडेशन मॉडल्स के उपयोग की व्यवहार्यता को प्रदर्शित करता है। इसका महत्व निम्नलिखित में निहित है:

मानवीय हस्तक्षेप को कम करना: जटिल समन्वय कार्यों के लिए करिकुलम और रिवॉर्ड फंक्शन डिजाइन करने की थकाऊ प्रक्रिया को स्वचालित करना।
जटिल समन्वय को सक्षम बनाना: उन व्यवहारों को सफलतापूर्वक सीखना जिन्हें डायरेक्ट ट्रेनिंग या स्टैटिक रिवॉर्ड डिज़ाइन के माध्यम से प्राप्त करना कठिन है, विशेष रूप से लॉन्ग-होरिज़न, कॉन्टैक्ट-रिच परिदृश्यों में।
भौतिक संभाव्यता (Physical Plausibility): स्टेज्ड करिकुलम दृष्टिकोण एजेंटों को केवल टर्मिनल सफलता के लिए ऑप्टिमाइज़ करने के बजाय (जो अक्सर Eureka जैसे डायरेक्ट ऑप्टिमाइज़ेशन मेथड्स में असामान्य गतियों की ओर ले जाता है) भौतिक रूप से व्यवहार्य व्यवहारों (जैसे, लिफ्ट करने से पहले स्थिर ग्रैस्प) की ओर निर्देशित करता है।

स्वीकृत सीमाएँ (Limitations Acknowledged):

स्टोकेस्टिसिटी: फाउंडेशन मॉडल्स पर निर्भरता वेरिएबिलिटी लाती है; कुछ परीक्षण खराब करिकुलम या रिवॉर्ड जनरेशन के कारण विफल हो सकते हैं, हालांकि सिमुलेशन में कई प्रयासों को चलाकर इसे प्रबंधित किया जा सकता है।
VLM निर्भरता: इवैल्यूएशन मॉड्यूल विशुद्ध रूप से विजुअल जानकारी के बजाय संख्यात्मक स्टेट ट्राजेक्टरीज पर बहुत अधिक निर्भर करता है, जो विजुअली ग्राउंडेड विफलताओं (जैसे, खराब स्थानिक समन्वय) का पता लगाने को सीमित कर सकता है।
स्केलेबिलिटी: वर्तमान दृष्टिकोण में प्रत्येक उपकार्य के लिए कई LLM/VLM क्वेरी की आवश्यकता होती है, जो कम्प्यूटेशनल रूप से महंगी हो सकती है, हालांकि लेखकों ने उल्लेख किया है कि यह परीक्षण किए गए कार्यों के लिए पर्याप्त है।

लेखक निष्कर्ष निकालते हैं कि हालांकि फाउंडेशन मॉडल्स स्टोकेस्टिसिटी पेश करते हैं, लेकिन कार्यों को विघटित करने और रिवॉर्ड को स्वायत्त रूप से परिष्कृत करने की उनकी क्षमता वास्तविक दुनिया के वातावरणों में स्केलेबल और विश्वसनीय मल्टी-रोबोट समन्वय के लिए एक आशाजनक मार्ग प्रदान करती है।