X-Diffusion: Training Diffusion Policies on Cross-Embodiment Human Demonstrations
X-Diffusion एक क्रॉस-एम्बॉडिमेंट लर्निंग फ्रेमवर्क है जो एम्बिएंट डिफ्यूजन का लाभ उठाकर शोर वाले मानव प्रदर्शनों (human demonstrations) पर रोबोट नीतियों को चुनिले ढंग से प्रशिक्षित करता है, जिससे कार्य-प्रासंगिक इरादे को प्रभावी ढंग से निकालने और एम्बॉडिमेंट-विशिष्ट अव्यवहारिकता को फ़िल्टर करने में मदद मिलती है ताकि मैनिपुलेशन सफलता दर में महत्वपूर्ण सुधार किया जा सके।
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
यहाँ X-DIFFUSION पेपर का सरल भाषा में अनुवाद दिया गया है, जिसमें कुछ रचनात्मक उपमाओं (analogies) का उपयोग किया गया है।
बड़ी समस्या: इंसान और रोबोट अलग-अलग "भाषाएं" बोलते हैं
कल्पना कीजिए कि आप एक रोबोट को खाना बनाना सिखाने की कोशिश कर रहे हैं। आपके पास पेशेवर शेफ (इंसानों) के स्वादिष्ट भोजन बनाने वाले वीडियो का एक विशाल संग्रह है। आपके पास एक रोबोटिक हाथ का एक छोटा, महंगा वीडियो भी है जो वही काम करने की कोशिश कर रहा है।
समस्या क्या है? इंसानों और रोबोटों के शरीर अलग होते हैं।
- एक मानव शेफ प्लेट उठाने के लिए अपनी उंगलियों को उसके नीचे से स्लाइड कर सकता है।
- एक "पिंसर" ग्रिपर (जैसे पंजा) वाला रोबोट ऐसा नहीं कर सकता। यदि वह इंसान की नकल करने की कोशिश करेगा, तो वह प्लेट गिरा देगा या मेज तोड़ देगा।
यदि आप मानव वीडियो और रोबोट वीडियो को बस मिला देते हैं और रोबोट को कहते हैं, "इन सब से सीखो," तो रोबोट भ्रमित हो जाता है। वह इंसान की उंगलियों की बारीक हरकतों की नकल करने की कोशिश करता है, असफल होता है, और बुरी आदतें सीख लेता है। इसे "एम्बॉडमेंट गैप" (Embodiment Gap) कहा जाता है।
पुराना तरीका: "फ़िल्टरिंग" या "अंधाधुंध मिश्रण"
पहले, शोधकर्ता मुख्य रूप से दो चीजें आजमाते थे:
- फ़िल्टर: वे हर मानव वीडियो को मैन्युअल रूप से देखने और उन वीडियो को हटाने की कोशिश करते थे जिन्हें रोबोट नहीं कर सकता था। यह धीमा, महंगा है, और आप उपयोगी विचारों को भी केवल इसलिए फेंक सकते हैं क्योंकि वह सटीक चाल असंभव थी।
- अंधाधुंध मिश्रण (Blind Mix): उन्होंने सब कुछ ट्रेनिंग के बर्तन में डाल दिया। इससे आमतौर पर रोबोट का प्रदर्शन उन कुछ रोबोट वीडियो की तुलना में खराब हो जाता था जो उसने देखे थे।
नया समाधान: X-DIFFUSION ("शोर" का कमाल)
लेखकों ने एक चतुर विचार निकाला जो इस बात से प्रेरित है कि AI इमेज जनरेटर (जैसे Midjourney) कैसे काम करते हैं। उन्होंने महसूस किया कि यदि आप किसी तस्वीर में पर्याप्त "स्टैटिक" (शोर/noise) जोड़ दें, तो बिल्ली की फोटो और कुत्ते की फोटो दोनों एक ही धुंधले धब्बे जैसी दिखने लगती हैं। उस बिंदु पर, आप उनमें अंतर नहीं कर सकते।
उन्होंने इसे रोबोट लर्निंग पर लागू किया:
"शोर" (Noise) की प्रक्रिया: कल्पना कीजिए कि आप एक इंसान के हाथ की हरकत में धीरे-धीरे, कदम-दर-कदम "स्टैटिक" जोड़ रहे हैं।
- चरण 1 (कम शोर): आप अभी भी स्पष्ट रूप से देख सकते हैं कि इंसान प्लेट के नीचे अपनी उंगलियां स्लाइड कर रहा है। रोबोट जानता है, "मैं यह नहीं कर सकता।"
- चरण 50 (उच्च शोर): अब वह मूवमेंट एक धुंधला, अमूर्त विचार बन गया है कि "प्लेट को A से B तक ले जाना है।" विशिष्ट "मानव तरीका" गायब हो गया है, लेकिन लक्ष्य (प्लेट को हिलाना) अभी भी मौजूद है।
स्मार्ट क्लासिफायर (द बाउंसर):
टीम ने एक विशेष AI "बाउंसर" (क्लासिफायर) बनाया। इसका काम एक शोर वाले मूवमेंट को देखना और पूछना है: "क्या यह एक इंसान है या एक रोबोट?"- यदि मूवमेंट स्पष्ट है (कम शोर), तो बाउंसर कहता है, "यह निश्चित रूप से एक इंसान है! रोबोट को यह विशिष्ट चाल सीखने न दें।"
- यदि मूवमेंट बहुत शोर वाला है (उच्च शोर), तो बाउंसर भ्रमित हो जाता है और कहता है, "मैं बता नहीं सकता। यह एक रोबोट जैसा लग सकता है।"
जादुई नियम:
रोबोट को मानव डेटा से केवल तभी सीखने की अनुमति है जब बाउंसर भ्रमित हो।- कम शोर: रोबोट मानव डेटा को अनदेखा करता है (असंभव चालें सीखने से बचने के लिए)।
- उच्च शोर: रोबोट मानव डेटा से सीखता है (लक्ष्य और इरादे को सीखने के लिए, जैसे "पैन को उठाना")।
उपमा: गाड़ी चलाना सीखना
इसे गाड़ी चलाना सीखने के रूप में सोचें:
- इंसान: एक फॉर्मूला 1 ड्राइवर जो कोनों पर ड्रिफ्ट करता है, फुटपाथ पर चढ़ जाता है और दो पहियों पर गाड़ी चलाता है।
- रोबोट: एक पारिवारिक सेडान कार जिसे अपनी लेन में रहना चाहिए और रेड लाइट पर रुकना चाहिए।
यदि आप सेडान को F1 ड्राइवर की सटीक चालों की नकल करने के लिए कहते हैं, तो वह दुर्घटनाग्रस्त हो जाएगी।
- X-DIFFUSION एक जोड़ी धुंधले चश्मे पहनने जैसा है।
- जब F1 ड्राइवर सामान्य रूप से गाड़ी चला रहा होता है (साफ दृश्य), तो आप उन्हें कॉपी नहीं कर सकते क्योंकि उनकी चालें बहुत जंगली होती हैं।
- लेकिन जब आप कोहरे के माध्यम से देखते हैं (उच्च शोर), तो आप पहिया घुमाना या कूदना नहीं देख पाते। आप केवल सामान्य पथ देखते हैं जिसे वे फिनिश लाइन तक पहुँचने के लिए ले रहे हैं।
- सेडान सीखती है: "ठीक है, लक्ष्य ट्रैक के चारों ओर सुरक्षित रूप से जाना है," बिना उस खतरनाक "ड्रिफ्टिंग" तकनीक को सीखे।
यह एक बड़ी बात क्यों है
- डेटा फेंकने की जरूरत नहीं: आपको मैन्युअल रूप से "खराब" मानव वीडियो को डिलीट करने की आवश्यकता नहीं है। सिस्टम स्वचालित रूप से जानता है कि वीडियो का कौन सा हिस्सा उपयोगी है और कौन सा हिस्सा खतरनाक है।
- स्केलेबिलिटी (Scalability): इंसान यह दिखाने में माहिर होते हैं कि क्या करना है, भले ही वे इसे रोबोट से अलग तरीके से करते हों। यह तरीका रोबोट को भ्रमित हुए बिना लाखों मानव वीडियो से सीखने की अनुमति देता है।
- बेहतर परिणाम: अपने परीक्षणों में, X-DIFFUSION के साथ प्रशिक्षित रोबोटों ने पुराने "सब कुछ मिलाने" वाले तरीके से प्रशिक्षित रोबोटों की तुलना में कार्यों में 16% अधिक सफलता प्राप्त की। उन्होंने असंभव चालों की नकल किए बिना कार्य के इरादे को सीखा।
सारांश
X-DIFFUSION मानव वीडियो का उपयोग करके रोबोट को सिखाने का एक स्मार्ट तरीका है। यह मानव क्रियाओं में "शोर" तब तक जोड़ता है जब तक कि रोबोट इंसान और रोबोट के बीच अंतर नहीं कर पाता। उस बिंदु पर, रोबोट मानव से लक्ष्य सीखता है, लेकिन असंभव शारीरिक चालों को अनदेखा कर देता है, जिससे एक रोबोट बनता है जो बुद्धिमान और सुरक्षित दोनों होता 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।