← नवीनतम पेपर
🤖 AI

V-VLAPS: Value-Guided Planning for Vision-Language-Action Models

यह शोध पत्र V-VLAPS का परिचय देता है, जो एक वैल्यू-गाइडेड प्लानिंग फ्रेमवर्क है जो विजन-लैंग्वेज-एक्शन (VLA) मॉडल्स को ऑफलाइन रोलआउट्स पर प्रशिक्षित एक हल्के वैल्यू हेड के साथ संवर्धित करता है ताकि मोंटे कार्लो रिटर्न्स का पूर्वानुमान लगाया जा सके, जिससे विशेष रूप से बड़े सर्च बजट का उपयोग करते समय, उच्च-वैल्यू वाली शाखाओं की ओर ट्री सर्च को निर्देशित करके लॉन्ग-होरिज़न रोबोटिक टास्क की सफलता दर में सुधार किया जा सके।

मूल लेखक: Ke Ren, Ali Salamatian, Kieran Pattison, Cyrus Neary

प्रकाशित 2026-05-25
📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें
CC BY 4.0

मूल लेखक: Ke Ren, Ali Salamatian, Kieran Pattison, Cyrus Neary

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 आपके पास एक बहुत ही प्रतिभाशाली रोबोट शेफ है। इस शेफ ने हजारों कुकिंग वीडियो देखे हैं और वह केवल सामग्री को देखकर और "सलाद बनाओ" जैसे सरल निर्देश सुनकर सब्जियां काट सकता है या बर्तन चला सकता है। शोधकर्ता इसे विज़न-लैंग्वेज-एक्शन (VLA) मॉडल कहते हैं। यह अभी जो देख रहा है, उस पर प्रतिक्रिया देने में बहुत कुशल है।

हालाँकि, एक समस्या है। यदि रसोई बिखरी हुई है, या यदि शेफ को किसी जटिल, बहु-चरणीय रेसिपी (जैसे "केक बनाना") के लिए कहा जाता है, तो शेफ भ्रमित हो सकता है। क्योंकि शेफ केवल वर्तमान क्षण पर प्रतिक्रिया देता है, वह गलत सामग्री उठा सकता है या अगला कदम भूल सकता है, जिससे व्यंजन खराब हो सकता है। इसमें एक "बड़ी तस्वीर" की योजना बनाने की क्षमता की कमी है।

पुराना समाधान: "अनुमान और जांच" वाला शेफ

इसे ठीक करने के लिए, शोधकर्ताओं ने पहले शेफ में एक "प्लानर" जोड़ा। इस प्लानर को एक सिम्युलेटर के रूप में सोचें। वास्तव में कोई कदम उठाने से पहले, प्लानर कई अलग-अलग भविष्यों की कल्पना करता है:

  • "यदि मैं अभी टमाटर उठाता हूँ, तो आगे क्या होगा?"
  • "यदि मैं सलाद पत्ता उठाता हूँ, तो उसके बाद क्या होगा?"

प्लानर मोंटे कार्लो ट्री सर्च (MCTS) नामक विधि का उपयोग करता है। यह एक शतरंज खिलाड़ी की तरह है जो कई चालों आगे की ओर देखता है। यह संभावनाओं का एक पेड़ (tree) बनाता है, और मन में विभिन्न रास्तों को आजमाकर देखता है कि कौन सा रास्ता सबसे अच्छे परिणाम की ओर ले जाता है।

दोष: पुराने सिस्टम (जिसे VLAPS कहा जाता था) में, प्लानर थोड़ा अंधा था। यह शेफ के शुरुआती अनुमान पर बहुत अधिक निर्भर था ("शेफ आमतौर पर टमाटर उठाता है, इसलिए मैं उस रास्ते की खोज करूँगा")। यदि शेफ का शुरुआती अनुमान गलत होता, तो प्लानर गलत रास्तों की खोज करना जारी रखता क्योंकि उसके पास यह कहने का तरीका नहीं था कि, "रुको, यह रास्ता आपदा जैसा लग रहा है।" यह एक ऐसे हाइकर की तरह था जो एक ऐसे मानचित्र का पालन कर रहा है जिसमें कुछ गलत मोड़ हैं, और उसके पास सुधार करने के लिए कोई दिशा-सूचक यंत्र (कम्पास) नहीं है।

नया समाधान: V-VLAPS (कम्पास वाला शेफ)

यह शोध पत्र पेश करता है कि V-VLAPS ने प्लानर को एक कम्पास (एक "वैल्यू हेड") दिया है।

यह कैसे काम करता है, इस सरल उपमा का उपयोग करते हुए:

  1. प्रशिक्षण चरण (कम्पास सीखना):
    रोबोट के काम पर जाने से पहले, शोधकर्ता रोबोट शेफ को सिमुलेशन में हजारों बार अभ्यास करने देते हैं। वे हर बार रिकॉर्ड करते हैं जब शेफ सफल या असफल होता है। फिर वे एक छोटा, सरल कंप्यूटर प्रोग्राम (जिसे "वैल्यू हेड" कहा जाता है) प्रशिक्षित करते हैं जो रोबोट के आंतरिक "विचारों" (इसके डेटा प्रतिनिधित्व) को देख सके और भविष्यवाणी कर सके: "यदि हम इस स्थिति में हैं, तो इसकी कितनी संभावना है कि हम अंततः सफल होंगे?"
  • यह एक कोच की तरह है जो शेफ के अभ्यास को देखता है और आपदा के शुरुआती संकेतों को पहचानना सीख जाता है (जैसे, "यदि चाकू कटिंग बोर्ड से बहुत दूर है, तो कार्य विफल होने की संभावना है")।
  1. योजना चरण (कम्पास का उपयोग करना):
    अब, जब रोबोट को एक वास्तविक कार्य दिया जाता है, तो प्लानर फिर से संभावनाओं का पेड़ बनाता है। लेकिन इस बार, पेड़ की प्रत्येक शाखा पर, वह कम्पास से पूछता है: "यह रास्ता कैसा लग रहा है?"
  • यदि कोई रास्ता बंद गली की ओर ले जाता है, तो कम्पास उसे कम स्कोर देता है।
  • यदि कोई रास्ता आशाजनक दिखता है, तो कम्पास उसे उच्च स्कोर देता है।
  • प्लानर फिर कम स्कोर वाले रास्तों को अनदेखा कर देता है और अपनी ऊर्जा उच्च-स्कोर वाले रास्तों की खोज करने में लगाता है।

उन्होंने क्या पाया?

शोधकर्ताओं ने पांच अलग-अलग रोबोटिक कार्यों (जैसे वस्तुओं को हिलाना, ब्लॉक स्टैक करना, या जटिल निर्देशों का पालन करना) पर इसका परीक्षण किया।

  • जब समय कम हो (600 सेकंड): नया सिस्टम पुराने के समान ही प्रदर्शन करता है। क्यों? क्योंकि कार्य इतने कठिन थे कि प्लानर शुरुआत में ही फंस गया, पहला कदम तय करने की कोशिश में। उस शुरुआती चरण में, सभी रास्ते समान रूप से अनिश्चित दिखते हैं, इसलिए कम्पास उनमें अंतर नहीं कर सका। यह मैराथन के विजेता की भविष्यवाणी करने की कोशिश करने जैसा है जब धावक अभी अपने जूते के फीते बांध रहे होते हैं।
  • जब समय अधिक हो (1800 सेकंड): यहीं पर जादू हुआ। अधिक समय के साथ, प्लानर भविष्य में और गहराई तक देख सकता था। एक बार जब वह भ्रमित करने वाली शुरुआत से आगे निकल गया, तो कम्पास स्पष्ट रूप रूप से देख सका कि कौन से रास्ते सफलता की ओर ले जा रहे हैं और कौन से विफलता की ओर।
    • कठिन ऑब्जेक्ट-मैनिपुलेशन कार्यों पर, नए सिस्टम की सफलता दर में 6% का सुधार हुआ।
    • लंबी, जटिल कार्यों पर, इसमें 4% का सुधार हुआ।

मुख्य निष्कर्ष

यह पेपर दिखाता है कि जबकि रोबोट के "सहज ज्ञान" (एक VLA मॉडल) अच्छे हैं, वे पूर्ण नहीं हैं। एक छोटा, सीखा हुआ "कम्पास" जोड़ने से, जो किसी पथ की भविष्य की सफलता की भविष्यवाणी करता है, रोबोट बहुत बेहतर योजना बना सकता है—लेकिन केवल तभी जब उसके पास आगे देखने के लिए पर्याप्त समय हो।

लेखक निष्कर्ष निकालते हैं कि रोबोट की किसी स्थिति के बारे में जो आंतरिक "भावनाएं" होती हैं, उन्हें निर्णयों को निर्देशित करने के लिए एक शक्तिशाली उपकरण में बदला जा सकता है, जिससे उसे बंद गलियों से बचने और कार्य को पूरा करने का सबसे अच्छा तरीका खोजने में मदद मिलती है। उन्होंने वास्तविक दुनिया के रोबोटों पर इसका परीक्षण नहीं किया है, न ही यह दावा किया है कि यह चिकित्सा या अन्य गैर-रोबोटिक अनुप्रयोगों के लिए काम करता है। यह सख्ती से सिमुलेटेड रोबोट प्लानिंग को स्मार्ट बनाने की एक विधि 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।

Digest आज़माएँ →

इसी तरह के और पेपर

इस विषय के सभी पेपर देखें 🤖 cs.AI →