ALRM: Agentic LLM for Robotic Manipulation
यह शोध पत्र ALRM को प्रस्तुत करता है, जो एक एजेंटिक LLM फ्रेमवर्क है जो प्राकृतिक भाषा तर्क और रोबोटिक हेरफेर के बीच के अंतर को एक मॉड्यूलर ReAct-शैली के लूप के माध्यम से पाटता है जो Code-as-Policy और Tool-as-Policy निष्पादन मोड दोनों का समर्थन करता है, जिसे 56 भाषाई रूप से विविध कार्यों के एक नए बेंचमार्क द्वारा मान्य किया गया है।
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 बुद्धिमान, सुशिक्षित रोबोटिक सहायक है। आप चाहते हैं कि वह आपकी रसोई व्यवस्थित करे, लेकिन उसे "चम्मच उठाओ, सिंक की ओर ले जाओ" जैसा कोई कठोर, पूर्व-लिखित निर्देश देने के बजाय, आप बस कहते हैं, "हे, क्या तुम कृपया इन गंदे बर्तनों को साफ कर सकते हो?"
लंबे समय तक, रोबनों को इसमें संघर्ष करना पड़ा। वे ऐसे अभिनेताओं की तरह थे जिन्होंने एक स्क्रिप्ट रट ली थी लेकिन अगर एक भी शब्द बदल दिया जाता, तो वे उसे संभाल नहीं पाते थे। यदि आपने "प्लेट को हिलाओ" के बजाय "प्लेट को उछाल दो" कहा, तो रोबोट रुक सकता था।
यह शोध पत्र ALRM (एजेंटिक एलएलएम फॉर रोबोटिक मैनिपुलेशन) नामक एक नई प्रणाली पेश करता है जो रोबोटों को यह सिखाती है कि कैसे सोचना, योजना बनाना और वास्तविक समय में अनुकूलित होना है, बिल्कुल वैसे ही जैसे एक इंसान करता है।
रोबोट "सोचने" के दो तरीके
शोधकर्ताओं ने पाया कि रोबोट आपके अनुरोध को दो अलग-अलग तरीकों से संभाल सकता है, जैसे काम करने की दो अलग-अलग शैलियाँ हों:
"कोड लेखक" (कोड-एज़-पॉलिसी):
कल्पना कीजिए कि रोबोट एक प्रोग्रामर है। जब आप उसे कोई कार्य देते हैं, तो वह समस्या को हल करने के लिए तुरंत एक छोटा कंप्यूटर प्रोग्राम (एक स्क्रिप्ट) लिखता है और उसे "रन" कर देता है। यह तेज़ और कुशल है, जैसे एक शेफ जिसे रेसिपी याद है और वह एक बार में पूरा भोजन बना लेता है। हालाँकि, यदि वह रेसिपी में एक छोटी सी भी गलती कर देता है, तो पूरा व्यंजन जल सकता है, और उसे फिर से शुरू करना पड़ सकता है।"उपकरण उपयोगकर्ता" (टूल-एज़-पॉलिसी):
कल्पना कीजिए कि रोबोट एक जासूस है। पूरी स्क्रिप्ट लिखने के बजाय, वह काम को छोटे-छोटे चरणों में तोड़ देता है। वह कहता है, "पहले, मैं प्लेट की तलाश करूँगा। ठीक है, मैंने इसे ढूँढ लिया। अब, मैं इसे पकड़ूँगा। ओह, रुको, मेरा हाथ फिसल गया। मुझे फिर से कोशिश करने दो।" वह एक छोटा सा काम करने के लिए एक "उपकरण" का उपयोग करता है, परिणाम की जाँच करता है, और फिर निर्णय लेता है कि आगे क्या करना है। यह धीमा है क्योंकि इसमें सोचने में अधिक समय लगता है, लेकिन यह गलतियों को सुधारने में बहुत बेहतर है।
संचालन का "मस्तिष्क"
यह प्रणाली एक विशेष "मस्तिष्क" (एक लार्ज लैंग्वेज मॉडल, या LLM) का उपयोग करती है जो एक प्रोजेक्ट मैनेजर की तरह कार्य करता है।
- द प्लानर (योजनाकार): यह हिस्सा आपके अनुरोध को सुनता है ("मेज साफ करो") और इसे छोटे, तार्किक चरणों में तोड़ देता है ("कप ढूँढो," "कप उठाओ," "कप को सिंक में रखो")।
- द एक्सेक्यूटर (निष्पादक): यह हिस्सा वास्तव में काम करता है, या तो उस कोड को चलाकर जो प्लानर ने लिखा है, या "उपकरणों" का चरण-दर-चरण उपयोग करके।
- द लूप (चक्र): यदि रोबोट कप गिरा देता है, तो एक्सेक्यूटर प्लानर को बताता है, "मैंने इसे गिरा दिया।" प्लानर फिर कहता है, "ठीक है, चलो इसे फिर से उठाने की कोशिश करते हैं," और कार्य पूरा होने तक यह चक्र चलता रहता है।
"परीक्षा" जो उन्हें दी गई
यह देखने के लिए कि क्या यह प्रणाली वास्तव में काम करती है, शोधकर्ताओं ने केवल सरल कमांड पर इसका परीक्षण नहीं किया। उन्होंने तीन अलग-अलग आभासी कमरों (एक रसोई, एक बॉक्स स्टोरेज क्षेत्र और एक फ्रूट बाउल) में 56 विभिन्न कार्यों के साथ एक कठिन "परीक्षा" बनाई।
उन्होंने रोबोटों को ऐसे निर्देशों के साथ टेस्ट किया जो थे:
- सरल: "नींबू उठाओ।"
- चुनौतीपूर्ण: "खट्टे फल और बड़े फल को पकड़ो।" (रोबोट को यह पता लगाना होगा कि कौन सा फल खट्टा है और कौन सा बड़ा है, बिना यह बताए कि उनके नाम क्या हैं)।
- बातूनी: "हे, ये फल सड़ रहे हैं! नींबू और आड़ू को कूड़ेदान में डाल दो!" (रोबोट को अतिरिक्त बातों को अनदेखा करना होगा और मुख्य क्रिया पर ध्यान केंद्रित करना होगा)।
उन्होंने 10 अलग-अलग "मस्तिष्क" (AI मॉडल) का परीक्षण किया, जिनमें विशाल, शक्तिशाली मॉडल (जैसे Claude-4.1-Opus) से लेकर छोटे, हल्के मॉडल (जैसे Falcon-H1-7B) तक शामिल थे।
परिणाम: कौन जीता?
- द पावरहाउस (शक्तिशाली मॉडल): सबसे बड़ा, सबसे महंगा AI मॉडल (Claude-4.1-Opus) "टूल यूजर" पद्धति में सबसे अच्छा था। इसने लगभग 94% कार्यों को हल किया, यहाँ तक कि चुनौतीपूर्ण कार्यों को भी, लेकिन यह बहुत गहराई से सोचने के कारण थोड़ा अधिक समय लेता था।
- द स्पीड डेमन (गति का जादूगर): छोटा, ओपन-सोर्स मॉडल (Falcon-H1-7B) एक आश्चर्यजनक सितारा था। "कोड राइटर" पद्धति का उपयोग करते समय, इसने 84% कार्यों को हल किया और बड़े मॉडलों की तुलना में बहुत तेज़ी से किया। यह बड़े मॉडलों के लगभग बराबर था लेकिन इसे चलाने के लिए सुपरकंप्यूटर की आवश्यकता नहीं थी।
- संघर्ष: छोटे मॉडलों को "टूल यूजर" पद्धति के साथ कठिनाई हुई। जब उन्हें हर छोटे कदम के बाद रुककर सोचने के लिए कहा गया, तो वे भ्रमित हो गए, जिससे वे कार्य पूरा करने में विफल रहे।
मुख्य निष्कर्ष
यह शोध पत्र दिखाता है कि हमें अब रोबोटों को कठोर स्क्रिप्ट का पालन करने के लिए मजबूर करने की आवश्यकता नहीं है। उन्हें एक "एजेंटिक" मस्तिष्क देकर जो योजना बना सकता है, उपकरणों का उपयोग कर सकता है और कोड लिख सकता है, रोबोट प्राकृतिक भाषा को समझ सकते हैं, गलतियों को संभाल सकते हैं और एक मेज को साफ करने जैसे जटिल, बहु-चरणीय पहेलियों को हल कर सकते हैं।
अध्ययन यह निष्कर्ष निकालता है कि सर्वोत्तम परिणामों के लिए, आप जटिल तर्क के लिए एक शक्तिशाली क्लाउड-आधारित AI का उपयोग कर सकते हैं, या यदि आपको गति की आवश्यकता है और आप थोड़े सरल कार्यों के साथ सहज हैं, तो एक छोटे, स्थानीय AI का उपयोग कर सकते हैं। यह उन रोबोटों की ओर एक बड़ा कदम है जो वास्तव में हमारे कहने का अर्थ समझ सकते हैं, न कि केवल हमारे द्वारा कहे गए शब्दों को।
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।