← नवीनतम पेपर
🤖 कृत्रिम बुद्धिमत्ता

Cosmos Policy: Fine-Tuning Video Models for Visuomotor Control and Planning

कॉसमॉस पॉलिसी (Cosmos Policy) एक सरल, एकल-चरण फाइन-ट्यूनिंग दृष्टिकोण पेश करती है जो एक बड़े प्रीट्रेन्ड वीडियो मॉडल को एक अत्याधुनिक रोबोट पॉलिसी में अनुकूलित करती है जो प्रभावी विसुओमोटर नियंत्रण और टेस्ट-टाइम प्लानिंग के लिए सीधे क्रियाएं, भविष्य की अवस्थाएं और वैल्यू अनुमान उत्पन्न करने में सक्षम है, जो बिना किसी आर्किटेक्चरल संशोधन के सिमुलेशन और वास्तविक दुनिया दोनों बेंचमार्क पर बेहतर प्रदर्शन प्राप्त करती है।

मूल लेखक: Moo Jin Kim, Yihuai Gao, Tsung-Yi Lin, Yen-Chen Lin, Yunhao Ge, Grace Lam, Percy Liang, Shuran Song, Ming-Yu Liu, Chelsea Finn, Jinwei Gu

प्रकाशित 2026-01-23
📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें
CC BY 4.0

मूल लेखक: Moo Jin Kim, Yihuai Gao, Tsung-Yi Lin, Yen-Chen Lin, Yunhao Ge, Grace Lam, Percy Liang, Shuran Song, Ming-Yu Liu, Chelsea Finn, Jinwei Gu

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 रोबोट को एक जटिल भोजन बनाना या एक शर्ट मोड़ना सिखाना चाहते हैं। पारंपरिक रूप से, आप रोबोट को हर एक हरकत के लिए एक रेसिपी कार्ड देने की तरह, स्टेप-बाय-स्टेप सिखाने की कोशिश कर सकते हैं। लेकिन क्या होगा अगर आप रोबोट को दुनिया कैसे काम करती है, यह दिखाने वाले लाखों वीडियो का एक पुस्तकालय दे दें—जैसे कि चीजें कैसे गिरती हैं, तरल पदार्थ कैसे गिरते हैं, चीजें समय के साथ कैसे चलती हैं—और उससे उन वीडियो से भौतिकी (physics) के "एहसास" को सीखने के लिए कहें?

यही कॉसमॉस पॉलिसी (Cosmos Policy) का मूल विचार है, जो NVIDIA और स्टैनफोर्ड के शोधकर्ताओं द्वारा विकसित एक नया रोबोट मस्तिष्क है।

यहाँ इसका एक सरल विवरण दिया गया है, जिसमें रोजमर्रा के उदाहरणों का उपयोग किया गया है:

1. "मूवी डायरेक्टर" रोबोट

अधिकांश रोबोट मस्तिष्क उन अभिनेताओं की तरह होते हैं जिन्होंने केवल एक स्क्रिप्ट रट ली है। वे जानते हैं कि एक विशिष्ट दृश्य में क्या करना है, लेकिन यदि रोशनी बदल जाए या कुर्सी हिल जाए, तो वे भ्रमित हो जाते हैं।

कॉसमॉस पॉलिसी अलग है। यह एक वीडियो जनरेशन मॉडल (विशेष रूप से, Cosmos-Predict2 नामक एक मॉडल) के रूप में शुरू होता है। इस मॉडल को एक प्रतिभाशाली मूवी डायरेक्टर के रूप में समझें जिसने लाखों फिल्में देखी हैं। यह डायरेक्टर पहले से ही समझता है:

  • गुरुत्वाकर्षण कैसे काम करता है।
  • यदि कप गिराया जाए तो वह कैसे टूट जाता है।
  • किसी व्यक्ति का हाथ हैंडल पकड़ने के लिए कैसे चलता है।

शून्य से एक नया रोबोट मस्तिष्क बनाने के बजाय, शोधकर्ताओं ने बस इस "मूवी डायरेक्टर" को लिया और उसे थोड़ा विशिष्ट प्रशिक्षण दिया: "यहाँ हमारे रोबोटिक हाथ के हिलने के वीडियो हैं। अब, यह सीखो कि आगे क्या होने वाला है।"

2. "जादुई क्रिस्टल बॉल" का कमाल

आमतौर पर, जब आप चाहते हैं कि कोई रोबोट हिले, तो आपको हाथ की गति के गणित की गणना करने के लिए एक अलग सिस्टम बनाना पड़ता है। कॉसमॉस पॉलिसी कुछ चतुर करता है: यह रोबोट के हिलने के निर्देशों (actions) को ऐसे मानता है जैसे कि वे केवल एक मूवी का एक और फ्रेम हों।

  • उदाहरण: एक मूवी रील की कल्पना करें। आमतौर पर, फ्रेम एक व्यक्ति को चलते हुए दिखाते हैं। कॉसमॉस पॉलिसी मूवी के ठीक बीच में एक "छिपा हुआ फ्रेम" डाल देता है जो कहता है, "हाथ को बाईं ओर ले जाओ।"
  • क्योंकि मॉडल पहले से ही एक वीडियो में आगे क्या होने वाला है, इसकी भविष्यवाणी करने में विशेषज्ञ है, इसलिए यह "एक्शन फ्रेम" की भविष्यवाणी भी उतनी ही आसानी से कर सकता है जितनी कि वह एक व्यक्ति के चलने के अगले फ्रेम की भविष्यवाणी करता है। इसे किसी विशेष गणित मॉड्यूल की आवश्यकता नहीं है; यह बस अपने मौजूदा "मूवी प्रेडिक्शन" कौशल का उपयोग करके यह पता लगा लेता है कि रोबोट को कैसे हिलना चाहिए।

3. "डे ड्रीमिंग" (सपनों में देखना) प्लानर

कॉसमॉस पॉलिसी का सबसे शक्तिशाली हिस्सा इसकी आगे की योजना बनाने की क्षमता है।

कल्पना कीजिए कि आप एक वीडियो गेम खेल रहे हैं। किसी चट्टान से कूदने से पहले, आप रुककर सोच सकते हैं: "अगर मैं यहाँ कूदा, तो मैं गिर जाऊँगा। अगर मैं वहाँ कूदा, तो मैं एक सुरक्षित प्लेटफॉर्म पर उतरूँगा।" आप अपने दिमाग में भविष्य का सिमुलेशन कर रहे हैं।

कॉसमॉस पॉलिसी भी ऐसा ही करता है:

  1. यह विकल्प उत्पन्न करता है: यह कल्पना करता है कि रोबोट कई अलग-अलग तरीकों से कैसे हिल सकता है (जैसे, "कप को यहाँ पकड़ें," या "कप को वहाँ पकड़ें")।
  2. यह भविष्य के सपने देखता है: प्रत्येक विकल्प के लिए, यह तुरंत एक छोटी फिल्म "देखता" है कि आगे क्या होगा। यह रोबोट और कैमरे की अगली स्थिति की भविष्यवाणी करता है।
  3. यह सपने को स्कोर देता है: यह प्रत्येक भविष्य की फिल्म को एक "स्कोर" देता है। क्या रोबोट ने कप गिरा दिया? (कम स्कोर)। क्या उसने सफलतापूर्वक पानी डाला? (उच्च स्कोर)।
  4. यह विजेता चुनता है: यह उस क्रिया को चुनता है जो उच्चतम-स्कोर वाले भविष्य की ओर ले जाती है।

यह रोबोट को जटिल कार्यों, जैसे कि एक छोटी सी थैली में कैंडी रखना, को संभालने में सक्षम बनाता है, क्योंकि वह वास्तव में अपना हाथ चलाने से पहले अपने मन में विभिन्न चालों को "आजमाकर" देख लेता है।

4. गलतियों से सीखना

शोधकर्ताओं ने पाया कि सबसे कठिन कार्यों के लिए केवल सफल वीडियो देखना पर्याप्त नहीं था। इसलिए, उन्होंने रोबोट को वास्तविक दुनिया में चीजें आज़माने दीं, भले ही वह कभी-कभी असफल रहा हो। उन्होंने इन "विफल प्रयासों" को वापस सिस्टम में फीड किया।

इसे एक छात्र के अभ्यास टेस्ट की तरह समझें। यदि वे एक प्रश्न गलत करते हैं, तो वे टेस्ट को फेंकते नहीं हैं; वे यह समझने के लिए गलती का अध्ययन करते हैं कि वह क्यों विफल हुआ। कॉसमॉस पॉलिसी यह काम अपनी "डे ड्रीमिंग" क्षमता को परिष्कृत करके करता है। कुछ विफलताओं को देखने के बाद, इसकी भविष्यवाणियाँ अधिक सटीक हो जाती हैं, और यह उन गलतियों से बचने में बेहतर हो जाता है।

परिणाम

जब उन्होंने इस रोबोट मस्तिष्क का परीक्षण किया:

  • सिमुलेशन में: इसने मानक बेंचमार्क (जैसे LIBERO और RoboCasa परीक्षण) पर लगभग हर अन्य रोबोट सिस्टम को पछाड़ दिया, कुछ कार्यों पर लगभग 99% सफलता दर हासिल की।
  • वास्तविक दुनिया में: दो हाथों वाले वास्तविक रोबोट (ALOHA रोबोट) पर, इसने अन्य शीर्ष-स्तरीय सिस्टमों की तुलना में शर्ट मोड़ने और कैंडी को बैग में रखने का काम बेहतर तरीके से किया, भले ही इसे अपने प्रतिस्पर्धियों की तुलना में बहुत कम डेटा पर प्रशिक्षित किया गया था।

कमी

पेपर एक सीमा का उल्लेख करता है: यह "डे ड्रीमिंग" प्रक्रिया समय लेती है। क्योंकि रोबोट को सर्वश्रेष्ठ चुनने के लिए कई भविष्य सिम्युलेट करने होते हैं, इसलिए यह एक ऐसे रोबोट की तुलना में धीमा है जो तुरंत प्रतिक्रिया देता है। यह एक रिफ्लेक्स (तेज़ लेकिन शायद कम सटीक) और एक शतरंज ग्रैंडमास्टर (धीमा लेकिन बहुत सटीक) के बीच के अंतर जैसा है।

संक्षेप में: कॉसमॉस पॉलिसी एक ऐसा रोबोट है जिसने फिल्में देखकर हिलना सीखा, रोबोट निर्देशों को मूवी फ्रेम की तरह माना, और उच्च सटीकता के साथ जटिल कार्यों की योजना बनाने के लिए अपनी "भविष्य की कल्पना करने" की क्षमता का उपयोग किया।

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 →