💻 computer science

ExpReS-VLA: Specializing Vision-Language-Action Models Through Experience Replay and Retrieval

एक्सपी-आर-ई-एस-वी-एल-ए (ExpReS-VLA) एक विशिष्ट विजन-लैंग्वेज-एक्शन मॉडल है जो संकुचित अनुभव पुनरावृत्ति (compressed experience replay), रिट्रीवल-ऑगमेंटेड जनरेशन और एक नवीन कंट्रास्टिव लॉस को जोड़कर विशिष्ट रोबोटिक कार्यों के लिए तीव्र, मेमोरी-कुशल ऑन-डिवाइस अनुकूलन को सक्षम बनाता है ताकि कैटास्ट्रोफिक फॉरगेटिंग को रोका जा सके और स्थानिक एवं लॉन्ग-होरिजन बेंचमार्क दोनों पर प्रदर्शन में महत्वपूर्ण सुधार किया जा सके।

मूल लेखक: Shahram Najam Syed, Yatharth Ahuja, Arthur Jakobsson, Jeff Ichnowski

प्रकाशित 2026-03-09

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Shahram Najam Syed, Yatharth Ahuja, Arthur Jakobsson, Jeff Ichnowski

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 आपने एक प्रतिभाशाली, दुनिया भर की यात्रा करने वाले शेफ को काम पर रखा है। इस शेफ ने दुनिया की हर कुकबुक पढ़ रखी है और वह आपके द्वारा पूछी गई लगभग किसी भी डिश का एक अच्छा संस्करण बना सकता है (यह एक विज़न-लैंग्वेज-एक्शन मॉडल या VLA है)। वे "ज़ीरो-शॉट" कुकिंग में माहिर हैं—जिसका अर्थ है कि वे बिना पहले कभी देखी गई रेसिपी को भी आज़मा सकते हैं।

समस्या:
आपने इस शेफ को आपके विशिष्ट किचन में काम करने के लिए रखा है। आपको उन्हें 10,000 अलग-अलग व्यंजन बनाने की ज़रूरत नहीं है। आपको बस ज़रूरत है कि वे आपके परिवार का पसंदीदा लाज़ानिया (lasagna) पूरी तरह से बनाएं, आपके पास्ता के विशेष ब्रांड और आपके विशेष ओवन का उपयोग करके।

समस्या यह है कि दुनिया भर की यात्रा करने वाला यह शेफ बहुत अधिक सामान्य (general) है। वे आपके अजीबोगरीब लाइटिंग, आपके बर्तन के खास हैंडल, या इस तथ्य से भ्रमित हो सकते हैं कि आपका "बेसिल" (तुलसी जैसा पौधा) उनके ट्रेनिंग बुक्स के बेसिल से थोड़ा अलग दिखता है। यदि आप उन्हें केवल कुछ बार अपना किचन दिखाकर आपकी विशिष्ट शैली सिखाने की कोशिश करते हैं, तो वे आपके लाज़ानिया पर इतना ध्यान केंद्रित कर सकते हैं कि वे कुछ और बनाना भूल जाएं (इसे कैटास्ट्रोफिक फॉरगेटिंग या 'विस्मृति' कहा जाता है)। या, वे आपके किचन को पूरी तरह से याद कर सकते हैं लेकिन अगर आपने एक कुर्सी बदल दी या बैकग्राउंड बदल दिया, तो वे विफल हो सकते हैं।

समाधान: ExpReS-VLA
यह पेपर ExpReS-VLA को पेश करता है, जो इस सामान्य विशेषज्ञ को आपके किचन का एक विशिष्ट मास्टर बनाने का तरीका बताता है, बिना बाकी चीज़ों को भूले। यह तीन चतुर तरीकों का उपयोग करता है:

1. "पॉकेट-साइज़्ड" मेमोरी (कंप्रेस्ड एक्सपीरियंस रिप्ले)

आमतौर पर, किसी कुकिंग प्रयास को याद रखने के लिए, आपको पूरे किचन, शेफ के हाथों और सामग्रियों का 4K वीडियो सहेजना होगा। इसमें बहुत अधिक हार्ड ड्राइव स्पेस लगता है।

ExpReS-VLA अधिक स्मार्ट है। वीडियो सहेजने के बजाय, यह एक छोटा, अमूर्त सारांश (एक "एम्बेडिंग") सहेजता है कि शेफ ने क्या देखा था।

उपमा: कल्पना करें कि पूरे कुकिंग शो की फिल्म सहेजने के बजाय, आप केवल एक वाक्य सहेजते हैं जो मुख्य दृश्य का वर्णन करता है: "लाल बर्तन, उठती हुई भाप, शेफ घड़ी की दिशा में चला रहा है।"
परिणाम: इसने मेमोरी की आवश्यकता को 97% तक कम कर दिया है। रोबोट एक ही स्टैंडर्ड कंप्यूटर चिप (जैसे पेपर में उल्लेखित RTX 5090) पर अपने पिछले हजारों प्रयासों को बिना स्पेस खत्म किए याद रख सकता है।

2. "स्मार्ट लाइब्रेरियन" (रिट्रीवल-ऑगमेंटेड जनरेशन)

जब रोबोट कोई कार्य करने की कोशिश करता है और फंस जाता है, तो वह केवल अनुमान नहीं लगाता। वह एक लाइब्रेरियन की तरह काम करता है।

उपमा: आप लाइब्रेरियन से पूछते हैं, "मैं एक मग को कटोरे में रखने की कोशिश कर रहा हूँ, लेकिन वह बार-बार फिसल रहा है।" लाइब्रेरियन तुरंत मेमोरी बैंक से सबसे मिलते-जुलते 5 पिछले किस्से निकाल लेता है: "ओह, देखिए! पिछले हफ्ते तीन बार हमारे साथ ऐसा ही हुआ था। यहाँ बताया गया है कि हमने इसे ठीक कैसे किया।"
परिणाम: रोबोट तेज़ी से सीखता है क्योंकि वह शून्य से शुरुआत नहीं करता। यह इन "पिछले किस्सों" को सीधे अपने ट्रेनिंग सेशन में डाल देता है, जिससे इसे केवल 12 उदाहरणों का उपयोग करके 31 सेकंड में अनुकूलित होने में मदद मिलती है।

3. "ऐसा मत करो!" कोच (थ्रेशोल्डेड हाइब्रिड कॉन्ट्रास्टिव लॉस)

अधिकांश रोबोट केवल सफलता से सीखते हैं। यदि वे एक कप गिरा देते हैं, तो वे बस फिर से कोशिश करते हैं और उम्मीद करते हैं। ExpReS-VLA में एक विशेष कोच है जो विफलताओं को देखता है।

उपमा: एक ड्राइविंग इंस्ट्रक्टर की कल्पना करें। यदि आप फुटपाथ से टकरा जाते हैं, तो एक सामान्य इंस्ट्रक्टर सिर्फ कहता है, "फिर से कोशिश करो।" यह विशेष कोच कहता है, "रुको! देखो कि तुमने फुटपाथ क्यों छुआ। क्या यह कोण (angle) था? गति थी? चलिए अपनी गलती की तुलना एक परफेक्ट टर्न से करते हैं ताकि आपका दिमाग समझ सके कि क्या नहीं करना है।"
परिणाम: रोबोट अपनी गलतियों से सीखता है। यह यह पता लगाने के लिए एक विशेष गणितीय सूत्र (THCL) का उपयोग करता है कि विफलता एक साधारण गलती थी या एक जटिल एक, और तदनुसार अपनी सीखने की रणनीति को समायोजित करता है। यह उसे एक ही गलती दोबारा करने से रोकता है।

वास्तविक दुनिया के परिणाम

शोधकर्ताओं ने इसका परीक्षण एक वास्तविक रोबोटिक आर्म (Franka Panda) और सिमुलेशन में किया।

"नेइव" (Naive) दृष्टिकोण: यदि आप केवल एक मानक रोबोट को आपके विशिष्ट कार्यों के लिए फाइन-ट्यून करते हैं, तो वह आपके किचन में तो अच्छा हो जाता है (85% सफलता) लेकिन यदि आप बैकग्राउंड बदलते हैं या कोई अलग वस्तु उपयोग करते हैं, तो वह बुरी तरह विफल हो जाता है (32% सफलता तक गिर जाता है)। यह ओवरफिट हो जाता है।
ExpReS-VLA दृष्टिकोण: इसने आपके विशिष्ट कार्यों पर 98% सफलता प्राप्त की और तब भी उच्च प्रदर्शन बनाए रखा जब आपने बैकग्राउंड या ऑब्जेक्ट्स बदल दिए। इसने केवल रटा नहीं; इसने कार्य की अवधारणा (concept) को समझा।

यह क्यों महत्वपूर्ण है

यह एक बड़ी बात है क्योंकि यह "जनरलिस्ट बनाम स्पेशलिस्ट" के विरोधाभास को हल करता है।

पहले: रोबोट या तो "सब कुछ थोड़ा-बहुत जानने वाले, लेकिन किसी में भी माहिर नहीं" (कई चीज़ों में अच्छे, लेकिन आपकी विशिष्ट ज़रूरतों के लिए बुरे) थे, या "एक चीज़ के मास्टर, लेकिन सीखने के लिए विशाल सुपरकंप्यूटर और हफ्तों के प्रशिक्षण की आवश्यकता थी।"
अब: ExpReS-VLA एक रोबोट को आपके विशिष्ट वातावरण में एक मिनट से भी कम समय में विशेषज्ञ बनने की अनुमति देता है, जबकि एक सिंगल कंज्यूमर-ग्रेड ग्राफिक्स कार्ड का उपयोग करता है, और ज़रूरत पड़ने पर अन्य चीज़ों को करने का तरीका भी याद रखता है।

संक्षेप में: ExpReS-VLA एक रोबोट को एक छोटी, अत्यंत कुशल नोटबुक देने जैसा है जहाँ वह अपने दिन का "सार" लिखता है, सही सलाह तुरंत खोजने के लिए एक जादुई इंडेक्स, और एक कोच जो उसे अपनी गलतियों से सीखना सिखाता है। यह रोबोटों को वास्तविक दुनिया की नौकरियों के लिए बहुत तेज़ी से और अधिक विश्वसनीय रूप से तैयार करता है।

यहाँ शोध पत्र "ExpReS-VLA: Specializing Vision-Language-Action Models Through Experience Replay and Retrieval" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

सामान्यीकरण बनाम विशेषज्ञता का विरोधाभास (The Generalization vs. Specialization Paradox):
OpenVLA जैसे विजन-लैंग्वेज-एक्शन (VLA) मॉडल व्यापक ज़ीरो-शॉट सामान्यीकरण (zero-shot generalization) प्राप्त करने के लिए विशाल और विविध डेटासेट पर प्रशिक्षित होते हैं। हालाँकि, वास्तविक दुनिया में तैनाती के दौरान, रोबोट एक विशिष्ट विरोधाभास का सामना करते हैं: उन्हें दुनिया की सभी वस्तुओं को संचालित करने की आवश्यकता नहीं है, बल्कि उन्हें एक विशिष्ट वातावरण (जैसे: विशिष्ट प्रकाश व्यवस्था, वस्तु की बनावट और लेआउट) में 95%+ विश्वसनीयता के साथ कार्यों के एक सीमित सेट को निष्पादित करना होता है।

मुख्य चुनौतियाँ:

डोमेन शिफ्ट (Domain Shift): सूक्ष्म पर्यावरणीय परिवर्तन ज़ीरो-शॉट प्रदर्शन को स्वीकार्य स्तर से घटाकर अनुपयोगी बना देते हैं।
कैटास्ट्रोफिक फॉरगेटिंग (Catastrophic Forgetting): एक नए वातावरण के अनुकूल होने के लिए मानक फाइन-ट्यूनिंग अक्सर पहले से प्राप्त कौशल को मिटा देती है।
संसाधन संबंधी बाधाएं (Resource Constraints): पूर्ण मॉडल फाइन-ट्यूनिंग के लिए विशाल GPU क्लस्टर्स की आवश्यकता होती है और यह ऑन-डिवाइस अनुकूलन के लिए अव्यावहारिक है।
बर्बाद डेटा (Wasted Data): मौजूदा विधियाँ अक्सर तैनाती के दौरान विफल प्रदर्शनों (failed demonstrations) को शोर (noise) मानकर अनदेखा कर देती हैं, जबकि वे सीखने के संकेत (learning signals) हो सकते हैं।

2. कार्यप्रणाली: ExpReS-VLA

लेखक ExpReS-VLA (EXPierence replayed, REtrieval augmented, Specialized VLA) का प्रस्ताव करते हैं, जो पूर्व-प्रशिक्षित VLAs के तीव्र, ऑन-डिवाइस अनुकूलन के लिए डिज़ाइन किया गया एक फ्रेमवर्क है, जो भूलने (forgetting) को रोकता है। यह प्रणाली एक एकल उपभोक्ता-ग्रेड GPU (NVIDIA RTX 5090) पर संचालित होती है और तीन सहक्रियात्मक तंत्रों पर निर्भर करती है:

A. संकुचित अनुभव पुनरावृत्ति (Compressed Experience Replay - मेमोरी दक्षता)

रीप्ले के लिए कच्चे इमेजेस (raw images) को संग्रहीत करने की मेमोरी बाधा को हल करने के लिए:

फ्रोजन विजन बैकबोन (Frozen Vision Backbone): सिस्टम OpenVLA के पूर्व-प्रशिक्षित, फ्रोजन विजन एनकोडर (सिमेंटिक सामग्री के लिए SigLIP और स्थानिक संरचना के लिए DINOv2 का संयोजन) का उपयोग करता है।
एम्बेडिंग स्टोरेज (Embedding Storage): कच्चे RGB फ्रेम्स को स्टोर करने के बजाय, सिस्टम निकाले गए 1024-आयामी एम्बेडिंग्स को स्टोर करता है।
संपीकरण अनुपात (Compression Ratio): यह प्रति छवि लगभग 150KB से घटकर ~4KB प्रति एम्बेडिंग हो जाता है, जिससे सिमेंटिक शुद्धता बनाए रखते हुए स्टोरेज आवश्यकताओं में 97% की कमी आती है।
दोहरे बफ़र्स (Dual Buffers): सिस्टम दो अलग-अलग सर्कुलर बफ़र्स बनाए रखता है:
- सफलता बफ़र ( $B_s$ ): बिहेवियरल क्लोनिंग के लिए सफल प्रक्षेपवक्र (trajectories) को संग्रहीत करता है।
- विफलता बफ़र ( $B_f$ ): कंट्रास्टिव लर्निंग के लिए विशेष रूप से विफल प्रक्षेपव্যাথों को संग्रहीत करता है।
प्राथमिकता (Prioritization): एक टेम्पोरल वेटिंग मैकेनिज्म ( $w_i = e^{-\lambda \Delta t}$ ) यह सुनिश्चित करता है कि रिट्रीवल के दौरान हाल के अनुभवों को प्राथमिकता दी जाए।

B. प्रशिक्षण के लिए रिट्रीवल-ऑगमेंटेड जनरेशन (RAG)

स्थिर बैच पर मानक फाइन-ट्यूनिंग के बजाय, ExpReS-VLA गतिशील रूप से प्रशिक्षण डेटा को बढ़ाता है:

समानता खोज (Similarity Search): प्रत्येक वर्तमान अवलोकन (observation) के लिए, सिस्टम बफ़र्स में संकुचित एम्बेडिंग्स के विरुद्ध कोसाइन समानता (cosine similarity) की गणना करता है।
Top-k रिट्रीवल: यह वर्तमान प्रशिक्षण बैच में इंजेक्ट करने के लिए सबसे समान पिछले अनुभवों (सफल और विफल दोनों) के $k$ सबसे निकटतम अनुभवों को पुनः प्राप्त करता है।
बैच निर्माण: प्रशिक्षण बैच वर्तमान अवलोकन और रिट्रीव किए गए सफलताओं (3:2 का अनुपात) और विफलताओं से मिलकर बनता है। यह एक "वार्म-स्टार्ट" के रूप में कार्य करता है, जो नीति (policy) को प्रासंगिक पिछले समाधानों की ओर निर्देशित करता है।

C. थ्रेशोल्डेड हाइब्रिड कंट्रास्टिव लॉस (THCL)

विफल प्रयासों का लाभ उठाने के लिए बिना मॉडल को अस्थिर किए, लेखक एक नया लॉस फंक्शन पेश करते हैं जो विफलता की कठिनाई के आधार पर दो उद्देश्यों के बीच स्विच करता है:

बिहेवियरल क्लोनिंग ( $L_{BC}$ ): सफल कार्यों के लिए मानक इमिटेशन लॉस।
एडेप्टिव कंट्रास्टिव लॉस ( $L_{THCL}$ ):
- ट्रिपलेट लॉस (Triplet Loss): उन "सरल" विफलताओं के लिए उपयोग किया जाता है जहाँ सफलता और विफलता के बीच का अंतर स्पष्ट है। यह वर्तमान स्थिति, एक सकारात्मक (सफलता), और एक नकारात्मक (विफलता) के बीच एक मार्जिन लागू करता है।
- InfoNCE लॉस: "जटिल" या अस्पष्ट विफलताओं के लिए उपयोग किया जाता है। यह कई नकारात्मक नमूनों के विरुद्ध सकारात्मक उदाहरण की संभावना (likelihood) को अधिकतम करता है।
स्विचिंग मैकेनिज्म: एक थ्रेशोल्ड $\beta$ निर्धारित करता है कि कौन सा लॉस लागू किया जाए। यदि ट्रिपलेट लॉस $\beta$ से नीचे है, तो इसका उपयोग किया जाता है; अन्यथा, अधिक अभिव्यंजक InfoNCE को बुलाया जाता है। यह मॉडल को स्पष्ट गलतियों और सूक्ष्म, अस्पष्ट विफलताओं दोनों से सीखने की अनुमति देता है।

D. ऑनलाइन लर्निंग पाइपलाइन

ट्रिगर (Trigger): अनुकूलन केवल तभी ट्रिगर होता है जब रोलिंग सफलता दर एक थ्रेशोल्ड (जैसे 80%) से नीचे गिर जाती है, जिससे अलग-थलग विफलताओं से अपडेट होने से रोका जा सके।
दक्षता (Efficiency): सिस्टम केवल 1.4% मॉडल पैरामीटर्स (query/value projections) को फाइन-ट्यून करने के लिए LoRA का उपयोग करता है, जिससे केवल 12 प्रदर्शनों (demonstrations) का उपयोग करके 31 सेकंड में अनुकूलन संभव हो जाता है।

3. मुख्य योगदान (Key Contributions)

RAG-ऑगमेंटेड रोबोट लर्निंग: VLA फाइन-ट्यूनिंग में रिट्रीवल तंत्र का पहला एकीकरण, जो संदर्भिक रूप से समान पिछले अनुभवों को इंजेक्ट करके अनुकूलन गति को महत्वपूर्ण रूप से तेज करता है।
संकुचित अनुभव पुनरावृत्ति (Compressed Experience Replay): एक तकनीक जो कच्चे इमेजेस के बजाय फ्रोजन एनकोडर एम्बेडिंग्स को स्टोर करके 97% मेमोरी कमी प्राप्त करती है, जिससे एज डिवाइसेस पर निरंतर सीखना (continual learning) संभव हो जाता है।
विफलता शोषण के लिए THCL: एक अभिनव पीसवाइज लॉस फंक्शन जो कंट्रास्टिव उद्देश्यों को गतिशील रूप से चुनता है ताकि असफल प्रयासों को मूल्यवान लर्निंग सिग्नल में बदला जा सके, जिससे बार-बार होने वाली गलतियों को रोका जा सके।
कठोर अनुभवजन्य मूल्यांकन (Rigorous Empirical Evaluation): 40 सिमुलेशन कार्यों और 5 भौतिक रोबोट कार्यों में व्यापक परीक्षण, जिसमें प्रत्येक घटक के योगदान को सिद्ध करने के लिए व्यवस्थित एब्लेशन (ablations) शामिल हैं।

4. प्रयोगात्मक परिणाम (Experimental Results)

सिमुलेशन (LIBERO बेंचमार्क)

प्रदर्शन: ExpReS-VLA ने औसतन 88.7% सफलता दर प्राप्त की, जो बेस OpenVLA (77.9%) से 10.8 प्रतिशत अंक अधिक है।
कार्य विशिष्टता:
- स्थानिक तर्क (Spatial Reasoning): 82.6% से सुधरकर 93.1% हुआ।
- लॉन्ग-होरिज़न कार्य (Long-Horizon Tasks): 61.0% से सुधरकर 72.3% हुआ।
एब्लेशन: RAG रिट्रीवल हटाने से सबसे बड़ी गिरावट आई, उसके बाद एक्सपीरियंस रिप्ले और कंट्रास्टिव लर्निंग, जो पुष्टि करता है कि सभी घटक पूरक हैं।
सामान्यीकरण: इस पद्धति ने अन्य आर्किटेक्चर जैसे $\pi_0$ (+3.2 अंक) और OpenVLA-OFT (+1.7 अंक) पर भी प्रदर्शन में सुधार किया।

भौतिक रोबोट प्रयोग (Franka 7-DOF Arm)

इन-डिस्ट्रीब्यूशन (In-Distribution): 98% सफलता दर प्राप्त की (नेइव फाइन-ट्यूनिंग के 84.7% से अधिक)।
आउट-ऑफ-डिस्ट्रीब्यूशन (OOD): अनदेखे बैकग्राउंड, वस्तुओं और लाइटिंग वाले कार्यों पर 98% सफलता दर प्राप्त की।
- महत्वपूर्ण निष्कर्ष: नेइव फाइन-ट्यूनिंग के कारण OOD कार्यों पर प्रदर्शन गिरकर 32% रह गया क्योंकि यह ओवरफिटिंग का शिकार हो गया। ExpReS-VLA ने उच्च विश्वसनीयता बनाए रखी, जो डोमेन शिफ्ट के विरुद्ध इसकी मजबूती को सिद्ध करती है।
दक्षता: अनुकूलन केवल एक RTX 5090 GPU पर 12 प्रदर्शनों का उपयोग करके 31 सेकंड में पूरा हुआ।

5. महत्व और प्रभाव (Significance and Impact)

अंतराल को पाटना: ExpReS-VLA व्यापक सामान्यीकरण और विशिष्ट तैनाती के बीच के तनाव को हल करता है, एक "जनरलिस्ट" मॉडल को विशिष्ट वातावरणों के लिए एक अत्यधिक विश्वसनीय "स्पेशलिस्ट" में बदल देता है।
ऑन-डिवाइस लर्निंग की व्यवहार्यता: अपने मेमोरी को कंप्रेस करके और कुशल LoRA फाइन-ट्यूनिंग का उपयोग करके, यह शोध पत्र प्रदर्शित करता है कि उच्च-प्रदर्शन वाला रोबोट अनुकूलन के लिए क्लाउड-स्केल कंप्यूट की आवश्यकता नहीं है; यह स्थानीय उपभोक्ता हार्डवेयर पर हो सकता है।
विफलता से सीखना: यह फ्रेमवर्क विफल प्रयासों को शोर के रूप में मानने के प्रतिमान को मौलिक रूप से बदल देता है। कंट्रास्टिव लॉस के माध्यम से विफलताओं से स्पष्ट रूप से सीखकर, रोबोट विशिष्ट त्रुटि मोड (जैसे: वस्तु भ्रम, स्थानिक मिसअलाइनमेंट) को बहुत तेज़ी से ठीक कर सकते हैं।
व्यावहारिक तैनाती: न्यूनतम डेटा के साथ एक मिनट से कम समय में अनुकूलित होने की क्षमता इस दृष्टिकोण को वास्तविक दुनिया के औद्योगिक और घरेलू रोबोटिक्स के लिए व्यवहार्य बनाती है जहाँ वातावरण बार-बार बदलता है और रिट्रेनिंग का समय महत्वपूर्ण होता है।

सीमाएँ: वर्तमान प्रणाली को भौतिक रोबोटों के लिए मैनुअल सफलता लेबलिंग की आवश्यकता होती है (हालांकि भविष्य के काम के लिए स्वचालित पहचान प्रस्तावित है) और यह एक फ्रोजन एनकोडर पर निर्भर है, जिसका अर्थ है कि संग्रहीत एम्बेडिंग्स उस विशिष्ट आर्किटेक्चर से बंधे हुए हैं। यह वर्तमान में एक ओपन-लूप कंट्रोल प्रतिमान में संचालित होता है।