💻 computer science

SIL: Symbiotic Interactive Learning for Language-Conditioned Human-Agent Co-Adaptation

यह शोध पत्र सिम्बायोटिक इंटरएक्टिव लर्निंग (SIL) को प्रस्तुत करता है, जो एक द्विदिश सह-अनुकूलन ढांचा है जो फाउंडेशन मॉडल्स और मेमोरी आर्किटेक्चर का लाभ उठाता है ताकि स्वायत्त एजेंटों और मनुष्यों को सक्रिय स्पष्टीकरण और साझा योजना परिशोधन के माध्यम से कार्य विश्वासों को संयुक्त रूप से विकसित करने में सक्षम बनाया जा सके, जिससे एम्बॉडीड इंटरैक्शन में 90.4% कार्य पूर्णता दर प्राप्त होती है।

मूल लेखक: Linus Nwankwo, Bjoern Ellensohn, Christian Rauch, Elmar Rueckert

प्रकाशित 2026-03-17

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Linus Nwankwo, Bjoern Ellensohn, Christian Rauch, Elmar Rueckert

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 नए रोबोट को अपने घर में रास्ता ढूँढना सिखाने की कोशिश कर रहे हैं।

पुराना तरीका ("मास्टर-चेला" मॉडल):
अभी, अधिकांश रोबोट एक सख्त छात्र की तरह काम करते हैं जो सवाल पूछने से डरता है। आप उसे एक कमांड देते हैं जैसे, "जाओ और उस चीज़ को ले आओ," और रोबोट बस यह अंदाज़ा लगाने की कोशिश करता है कि "उस चीज़" का क्या मतलब है। अगर उसका अंदाज़ा गलत निकलता है, तो वह कुर्सी से टकरा जाता है। अगर आप अगली बार चाहते हैं कि वह कुछ अलग करे, तो आपको सब कुछ शुरू से फिर से समझाना पड़ता है क्योंकि रोबोट के पास आपकी विशिष्ट शैली की कोई स्मृति (मेमोरी) नहीं होती। यह एकतरफा रास्ता है: आप बोलते हैं, रोबोट सुनता है, और रोबोट स्पष्ट करने के लिए कभी वापस नहीं बोलता। यह एक कार चलाने जैसा है जहाँ यात्री केवल दिशा निर्देश चिल्ला सकता है लेकिन ड्राइवर को यह नहीं बता सकता कि, "रुको, मेरा मतलब नीले कप से था, लाल वाले से नहीं।"

नया तरीका (SIL - सिम्बायोटिक इंटरएक्टिव लर्निंग):
यह पेपर SIL नामक एक नया फ्रेमवर्क पेश करता है। SIL को एक रोबोट छात्र के रूप में नहीं, बल्कि एक डांस पार्टनर के रूप में सोचें।

एक अच्छे डांस में, दोनों पार्टनर एक-दूसरे के साथ लगातार तालमेल बिठाते हैं। यदि एक व्यक्ति बाईं ओर कदम रखता है, तो दूसरा तालमेल बनाए रखने के लिए दाईं ओर कदम रखता है। SIL भाषा और कार्यों के साथ यही करता है।

यह कैसे काम करता है, यहाँ सरल उपमाओं (analogies) के माध्यम से दिया गया है:

1. साझा "मानसिक मानचित्र" (लेटेंट टास्क स्पेस)

कल्पना कीजिए कि आपके और आपके रोबोट पार्टनर के सिर में एक अदृश्य व्हाइटबोर्ड है।

पुराने तरीके में: आप अपने व्हाइटबोर्ड पर चित्र बनाते हैं, लेकिन रोबोट का व्हाइटबोर्ड खाली होता है। आपको हर एक रेखा का विस्तार से वर्णन करना पड़ता है।
SIL के साथ: आप दोनों एक ही व्हाइटबोर्ड पर चित्र बनाते हैं। जैसे-जैसे आप बात करते हैं, आप दोनों मिलकर उस चित्र को अपडेट करते हैं। यदि आप कहते हैं, "रसोई में जाओ," और रोबमाट देखता है कि एक बिल्ली रास्ते में है, तो वह चित्र को अपडेट करता है कि "रसोई, लेकिन बिल्ली से बचकर रहना।" आप दोनों "जानते" हैं कि योजना विकसित हो रही है। इसे सह-अनुकूलन (co-adaptation) कहा जाता है।

2. "स्पष्टीकरण का नृत्य" (The Clarification Dance)

कभी-कभी, आप एक अस्पष्ट निर्देश देते हैं जैसे, "वहाँ जाओ और वापस आओ।"

पुराना रोबोट: भ्रमित हो जाता है, रुक जाता है, या किसी भी रैंडम जगह को चुन लेता है।
SIL रोबोट: यह अपने "कॉन्फिडेंस मीटर" की जाँच करता है। यदि वह अनिश्चित है, तो वह केवल अंदाज़ा नहीं लगाता। वह कहता है, "हे, जब आप 'वहाँ' कहते हैं, तो क्या आपका मतलब सोफे से है या टीवी स्टैंड से? पिछली बार आपको सोफा पसंद आया था।"
यह अनिश्चितता का पता लगाने (uncertainty detection) का उपयोग करता है ताकि यह जान सके कि वह कब भ्रमित है और गलती करने से पहले ही मदद के लिए सक्रिय रूप से पूछता है।

3. "सुपर-ब्रेन" के साथ मेमोरी

रोबोट आमतौर पर "भूलने की बीमारी" से ग्रस्त होते हैं। यदि आप उन्हें किसी कार्य के लिए कोई निकनेम (जैसे "पेट्रोल मोड") सिखाते हैं, तो वे कुछ और करने के लिए पूछे जाने पर उसे तुरंत भूल जाते हैं।

SIL का समाधान: इसके पास दो प्रकार की मेमोरी है:
- एपिसोडिक मेमोरी (डायरी): यह विशिष्ट घटनाओं को याद रखता है। "पिछले मंगलवार, मैं रसोई में गया था और मुझे एक कुर्सी मिली।"
- सिमेंटिक मेमोरी (पाठ्यपुस्तक): यह सामान्य नियम सीखता है। "आमतौर पर, जब उपयोगकर्ता 'जल्दी' कहता है, तो वे चाहते हैं कि मैं तेज़ चलूँ।"
"भूलने से रोकने वाला कवच" (Anti-Forget Shield): पेपर में EWC (इलास्टिक वेट कंसोलिडेशन) नामक एक तकनीक का उल्लेख है। कल्पना कीजिए कि आपका मस्तिष्क एक स्पंज है। आमतौर पर, जब आप कुछ नया सीखते हैं, तो आपका स्पंज पुराने पानी को बाहर निकाल देता है (भूल जाना)। EWC उस स्पंज पर एक हल्का वजन रखने जैसा है ताकि यह पुराने, महत्वपूर्ण हिस्से को बाहर निकाले बिना नया पानी सोख सके। यह रोबोट को वह सब कुछ भूलने से रोकता है जो आपने उसे कल सिखाया था।

4. "टीम ट्रस्ट" स्कोर

सिस्टम लगातार एक "ट्रस्ट स्कोर" (जिसे बलीफ एलाइनमेंट कहा जाता है) की गणना करता है।

यदि स्कोर अधिक है, तो आप और रोबोट एक ही पृष्ठ पर हैं।
यदि स्कोर गिरता है, तो रोबोट को पता चलता है, "ओह, हम एक-दूसरे को गलत समझ रहे हैं," और यह इसे तुरंत ठीक करने के लिए बातचीत शुरू कर देता है।

परिणाम: यह क्यों मायने रखता है?

शोधकर्ताओं ने वास्तविक रोबोटों और सिमुलेशन में इसका परीक्षण किया।

पुराने रोबोट: लगभग 60% कार्य सही ढंग से कर पाए। वे कठोर थे और आसानी से भ्रमित हो जाते थे।
SIL रोबोट: लगभग 90% कार्य सही ढंग से कर पाए।
अंतर: SIL रोबोट कम सवाल पूछते थे क्योंकि वे पिछली बातचीत के आधार पर आपके मतलब का बेहतर अंदाज़ा लगाने में सक्षम थे, और वे आपकी प्राथमिकताओं को बहुत बेहतर तरीके से याद रखते थे।

संक्षेप में

SIL मानव-रोबोट संपर्क को "कमांड-एंड-कंट्रोल" संबंध (जैसे एक बॉस एक कर्मचारी पर चिल्ला रहा हो) से बदलकर एक सहजीवी साझेदारी (Symbiotic Partnership) (जैसे दो दोस्त एक पहेली सुलझा रहे हों) में बदल देता है। रोबोट आपसे सीखता है, लेकिन वह आपको भी बेहतर तरीके से बात करना सिखाता है, जिससे एक ऐसा फीडबैक लूप बनता है जहाँ आप दोनों समय के साथ अधिक स्मार्ट और कुशल होते जाते हैं।

यहाँ शोध पत्र "SIL: Symbiotic Interactive Learning for Language-Conditioned Human-Agent Co-Adaptation" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

वर्तमान मानव-रोबोट इंटरेक्शन (HRI) प्रणालियाँ, यहाँ तक कि जो उन्नत फाउंडेशन मॉडल्स (FMs) द्वारा संचालित हैं, मुख्य रूप से एक एकदिशीय "मास्टर-अपरेंटिस" (स्वामी-शिष्य) प्रतिमान के तहत कार्य करती हैं। इस मॉडल में:

एकतरफा प्रवाह: मनुष्य निर्देश जारी करते हैं, और एजेंट बिना किसी पारस्परिक शिक्षण के उन्हें निष्क्रिय रूप से निष्पादित करता है।
स्थिर एजेंट: तैनाती के दौरान एजेंट की आंतरिक विश्वास अवस्था (belief state) स्थिर (समय-अपरिवर्तनीय) रहती है, जबकि मनुष्य का विश्वास गतिशील रूप से विकसित होता है।
भंगुरता (Fragility): यह एक ऐसा मिसअलाइनमेंट (खामी) पैदा करता है जहाँ मनुष्य को एजेंट के संदर्भ, स्मृति या अस्पष्टता को स्पष्ट करने की क्षमता की कमी की भरपाई करने के लिए संपूर्ण अनुमानित भार उठाना पड़ता है।
सीमाएँ: मौजूदा ढांचे दीर्घकालिक अनुकूलन, पारस्परिक विश्वास संरेखण (mutual belief alignment), या सक्रिय संवाद का समर्थन करने में विफल रहते हैं, जिससे वे जटिल, दीर्घ-क्षितिज (long-horizon) कार्यों के लिए अनुपयुक्त हो जाते हैं जिनमें सहयोग की आवश्यकता होती है।

2. कार्यप्रणाली: सिम्बायोटिक इंटरैक्टिव लर्निंग (SIL)

लेखक SIL का प्रस्ताव करते हैं, जो एक द्विदिश सह-अनुकूलन (bidirectional co-adaptation) ढांचा है जहाँ मनुष्य और एजेंट एक साझा लेटेंट टास्क स्पेस के भीतर संयुक्त विश्वास अवस्थाओं (joint belief states) को बनाए रखते हैं। यह प्रणाली स्थिर निष्पादन के बजाय इंटरेक्शन हिस्ट्री के माध्यम से विकसित होती है।

मुख्य आर्किटेक्चर घटक

साझा लेटेंट टास्क स्पेस ( $Z$ ): दोनों मानव ( $H$ ) और एजेंट ( $A$ ) एक संरचित विश्वास अवस्था $B_t = (z_t, k_t, u_t, H_t, \Psi_t)$ बनाए रखते हैं, जहाँ $z_t$ लेटेंट टास्क एम्बेडिंग है, $k_t$ कॉन्फिडेंस (विश्वास) है, और $H_t$ इंटरेक्शन हिस्ट्री है।
द्विदिश सह-अनुकूलन तंत्र (Bidirectional Co-Adaptation Mechanism):
- पारस्परिक प्रभाव: एजेंट मानव के इनपुट के आधार पर अपने विश्वास को अपडेट करता है, और एजेंट का अनुमानित विश्वास मानव की स्थिति को प्रभावित करता है (इसे एजेंट के सक्रिय सुझावों के माध्यम से सिम्युलेट किया जाता है)।
- अपडेट नियम: लेटेंट एम्बेडिंग्स को दूसरे पक्ष की स्थिति से प्राप्त प्रभाव वेक्टर्स ( $\delta_{infl}$ ) का उपयोग करके पुनरावर्ती (recursively) रूप से अपडेट किया जाता है। महत्वपूर्ण रूप से, अपडेट असममित है: निष्पादन विफलताएं ( $s_t \approx 0$ ) मजबूत मानव अनुकूलन संकेतों को ट्रिगर करती हैं, जबकि सफलताएं सुधार की आवश्यकता को कम करती हैं।
- विश्वास संरेखण मीट्रिक ( $\rho_t$ ): मानव और एजेंट एम्बेडिंग्स के बीच कॉन्फिडेंस-वेटेड कोसाइन सिमिलैरिटी। यदि $\rho_t$ एक थ्रेशोल्ड से नीचे गिर जाता है, तो एक स्पष्टीकरण प्रोटोकॉल (Clarification Protocol) ट्रिगर होता है।
स्मृति और निरंतर सीखना (Memory & Continual Learning):
- दोहरी स्मृति: यह एपिसोडिक मेमोरी (कच्चा इंटरेक्शन रिकॉर्ड) और सिमेंटिक मेमोरी (सफलता/विफलता के सामान्य पैटर्न) को जोड़ती है।
- एलास्टिक वेट कंसोलिडेशन (EWC): ऑनलाइन फाइन-ट्यूनिंग के दौरान 'कैटास्ट्रोफिक फॉरगेटिंग' (पुराना भूलने की समस्या) को रोकने के लिए, SIL उन मापदंडों में परिवर्तन को दंडित करने के लिए EWC का उपयोग करता है जो पहले से सीखे गए कार्यों के लिए महत्वपूर्ण हैं।
- रिट्रीवल (Retrieval): पिछले एपिसोड को सिमेंटिक समानता और वर्तमान विश्वास संरेखण दोनों के आधार पर पुनः प्राप्त किया जाता है।
अनिश्चितता-जागरूक पार्सिंग (Uncertainty-Aware Parsing):
- एक कमांड के कई व्याख्याओं को उत्पन्न करने के लिए एक LLM एन्सेम्बल (विभिन्न टेम्परचर पर सैंपलिंग) का उपयोग करता है।
- एन्सेम्बल के फैलाव और भाषाई विशेषताओं (जैसे हेजिंग, विशिष्टता) के आधार पर अनिश्चितता मीट्रिक्स की गणना करता है।
- यदि अनिश्चितता अधिक है, तो सिस्टम निष्पादन से पहले सक्रिय रूप से स्पष्टीकरण मांगता है या संभावित व्याख्याओं का प्रस्ताव देता है।
मल्टीमॉडल ग्राउंडिंग: ऑब्जेक्ट सेगमेंटेशन के लिए विजन-लैंग्वेज मॉडल्स (SAM, CLIP) को 3D कोऑर्डिनेट प्रोजेक्शन के साथ एकीकृत करता है, जिसे नेविगेशन के लिए ROS प्लानिंग स्टैक के साथ जोड़ा गया है।

3. प्रमुख योगदान

एकदिशीय सीमाओं का लक्षण वर्णन: यह पत्र वर्तमान HRI में "मास्टर-अपरेंटिस" बाधा का औपचारिक विश्लेषण करता है और द्विदिश सिम्बायोटिक लर्निंग की ओर बढ़ने का प्रस्ताव देता है।
साझा विश्वास प्रतिनिधित्व: एक साझा लेटेंट स्पेस में मानव और एजेंट के विश्वासों को स्पष्ट रूप से प्रदर्शित करने, मापने और संरेखित करने के लिए एक तंत्र पेश करता है, जो सक्रिय स्पष्टीकरण और इरादे के समाधान (intent resolution) को सक्षम बनाता है।
निरंतर शिक्षण आर्किटेक्चर: दीर्घकालिक वैयक्तिकरण (personalization) को सक्षम करने और टास्क रिप्रेजेंटेशन को भूलने से बचाने के लिए संरचित मेमोरी (एपिसोडिक/सिमेंटिक) को EWC रेगुलाइजेशन के साथ एकीकृत करता है।
अनिश्चितता-संचालित इंटरेक्शन: एक ऐसा प्रोटोकॉल विकसित करता है जहाँ एजेंट एन्सेम्बल फैलाव के माध्यम से अस्पष्टता का पता लगाता है और चुपचाप विफल होने या अनुमान लगाने के बजाय संवाद शुरू करता है।

4. प्रयोगात्मक परिणाम

इस ढांचे का मूल्यांकन GPT-4o को बैकबोन के रूप में उपयोग करते हुए सिम्युलेटेड (Gazebo) और वास्तविक दुनिया (Unitree Go1, Segway robot) के वातावरण में 350 इंटरेक्शन एपिसोड पर किया गया।

कार्य डोमेन (Task Domains):

EIF: एम्बोडीड इंस्ट्रक्शन फॉलोइंग (दीर्घ-क्षितिज, सशर्त)।
MIIR: मेमोरी-आधारित इंटरैक्टिव इंफॉर्मेशन रिट्रीवल।
QOR: क्वेरी-ओरिएंटेड रीजनिंग (निगमनात्मक/परिकल्पनात्मक)।
PDS: प्रोएक्टिव डायलॉग और सुझाव।
LPL: दीर्घकालिक प्राथमिकता शिक्षण (Long-Term Preference Learning)।

प्रदर्शन मीट्रिक:

टास्क कंप्लीशन रेट (TCR): SIL ने 90.4% प्राप्त किया, जो सर्वश्रेष्ठ एब्लेटेड वेरिएंट्स की तुलना में ~20 प्रतिशत अंक का पूर्ण सुधार है और स्टेटिक LLM बेसलाइन (60.1%) की तुलना में बहुत बड़ी बढ़त है।
विश्वास संरेखण ( $\rho$ ): SIL ने $\rho \approx 0.83$ का उच्च संरेखण स्कोर बनाए रखा, जबकि एब्लेटेड मॉडल 0.52 और 0.65 के बीच उतार-चढ़ाव करते रहे।
स्पष्टीकरण दक्षता (CE): SIL को अन्य बेसलाइन्स की तुलना में कम स्पष्टीकरण अनुरोधों (प्रति कार्य 0.46) की आवश्यकता पड़ी, जो बेहतर सक्रिय समझ को दर्शाता है।

एब्लेशन स्टडी निष्कर्ष:

सह-अनुकूलन (Co-Adaptation) को हटाने से सबसे बड़ी गिरावट आई (TCR गिरकर 61.7% हो गया), जो द्विदिश शिक्षण की आवश्यकता की पुष्टि करता है।
EWC को हटाने से कैटास्ट्रोफिक फॉरगेटिंग हुई, विशेष रूप से मेमोरी-आधारित कार्यों (MIIR) में।
अनिश्चितता मात्रा निर्धारण (Uncertainty Quantification) को हटाने से अस्पष्ट निर्देशों को संभालने की सिस्टम की क्षमता कम हो गई।

5. महत्व

यह कार्य HRI को निष्क्रिय निष्पादन से सक्रिय सहयोग की ओर एक प्रतिमान बदलाव (paradigm shift) के रूप में प्रस्तुत करता है। मानव और एजेंट को दो ऐसे अनुकूलन योग्य सिस्टम के रूप में मानकर जो अपने समझ को सह-विकसित करते हैं, SIL वर्तमान स्थिर AI एजेंटों की मौलिक सीमाओं को संबोधित करता है।

मजबूती (Robustness): यह अस्पष्ट, वास्तविक दुनिया के परिदृश्यों में विश्वसनीयता में काफी सुधार करता है।
वैयक्तिकरण (Personalization): यह एजेंटों को पूर्व अनुभवों को भूले बिना समय के साथ व्यक्तिगत उपयोगकर्ता की प्राथमिकताओं और संचार शैलियों को सीखने में सक्षम बनाता है।
स्केलेबिलिटी: यह ढांचा ऐसे एजेंट बनाने के लिए एक ब्लूप्रिंट प्रदान करता है जो गहन, बहु-टर्न, दीर्घ-क्षितिज सहयोग में संलग्न हो सकते हैं, जो मानव-से-मानव बातचीत की तरलता के करीब ले जाते हैं।

कोड और संसाधन यहाँ उपलब्ध हैं: https://linusnep.github.io/SIL/.