Embodied Task Planning via Graph-Informed Action Generation with Large Language Model
यह शोध पत्र GiG का प्रस्ताव करता है, जो एक नवीन एम्बोडीड टास्क प्लानिंग फ्रेमवर्क है जो अनुभव स्मृति को संरचित करने के लिए ग्राफ न्यूरल नेटवर्क्स को एक बाउंडेड लुकअहेड मॉड्यूल के साथ जोड़ता है ताकि दीर्घकालिक तर्क (लॉन्ग-होराइजन रीजनिंग) को बढ़ाया जा सके और कई बेंचमार्क पर अत्याधुनिक बेसलाइनों से काफी बेहतर प्रदर्शन किया जा सके।
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 बहुत ही बुद्धिमान, लेकिन थोड़े भुलक्कड़ रोबोट बटलर को एक जटिल भोजन, जैसे कि कोई शानदार सूप या मल्टी-लेयर्ड सैंडविच बनाना सिखाने की कोशिश कर रहे हैं।
इस रोबोट के पास एक 'सुपर-ब्रेन' (एक लार्ज लैंग्वेज मॉडल, या LLM) है जो सैद्धांतिक रूप से खाना बनाना जानता है। वह जानता है कि आपको पानी उबालना, प्याज काटना और सूप को पकने के लिए छोड़ देना चाहिए। लेकिन जब आप वास्तव में उसे वास्तविक रसोई में कुछ करने के लिए कहते हैं, तो वह अक्सर खो जाता है, भूल जाता है कि वह क्या कर रहा था, या वह उस प्याज को काटने की कोशिश करता है जो पहले से ही कटा हुआ है।
यह पेपर GiG (Graph-in-Graph) नामक एक नई प्रणाली पेश करता है ताकि इन समस्याओं को ठीक किया जा सके। यह कैसे काम करता है, यहाँ सरल उपमाओं के साथ समझाया गया है:
1. समस्या: "पेड़" बनाम "जाल" (The "Tree" vs. The "Web")
अधिकांश वर्तमान नियोजन (planning) प्रणालियाँ पेड़ (Tree) के रूप में सोचती हैं।
- पेड़ की उपमा: एक फैमिली ट्री (वंशवृक्ष) की कल्पना करें। आपके पास ऊपर एक मुख्य लक्ष्य होता है (सूप बनाना)। इसे करने के लिए, आपको "पानी उबालना" होगा। लेकिन जब तक पानी उबल रहा है, पेड़ कहता है, "रुक जाओ! पानी उबलने तक आप कुछ और नहीं कर सकते।"
- परिणाम: रोबोट वहीं खड़ा होकर बर्तन को घूरता रहता है, कुछ भी नहीं करता, पानी उबलने का इंतज़ार करता है। यह अक्षम है। यह उस व्यक्ति की तरह है जो सब्जियां काटना शुरू करने से पहले माइक्रोवेव के खत्म होने का इंतज़ार करता है।
GiG एक जाल (Web) के रूप में सोचता है।
- जाल की उपमा: एक सख्त पेड़ के बजाय, GiG कनेक्शनों के एक जाल को देखता है। जब पानी उबल रहा होता है (एक "विलंबित" कार्य), तो रोबोट जाल में एक खुला हिस्सा देखता है और कहता है, "बहुत बढ़िया! पानी व्यस्त है, इसलिए अब मैं प्याज काट सकता हूँ और कटोरा तैयार कर सकता हूँ।"
- परिणाम: रोबोट एक साथ कई काम करता है, अन्य कार्यों के पूरा होने के इंतज़ार के दौरान खाली समय का उपयोग करता है।
2. स्मृति: "फोटो एल्बम" बनाम "डायरी" (The "Photo Album" vs. The "Diary")
रोबोट अक्सर "कॉन्टेक्स्ट ड्रिफ्ट" (संदर्भ भटकने) से पीड़ित होते हैं। यदि किसी कार्य में 50 चरण हैं, तो रोबोट 50वें चरण तक पहुँचते-पहुँचते पहला चरण भूल जाता है।
- पुराना तरीका (डायरी): रोबोट जो कुछ भी करता है उसकी एक लंबी लिखित डायरी रखता है। "मैं सिंक तक गया। मैंने नल खोला। मैंने नल बंद किया..." जैसे-जैसे डायरी लंबी होती जाती है, रोबोट अभिभूत हो जाता है और चीजें बनाने लगता है (hallucinating)।
- GiG का तरीका (फोटो एल्बम): GiG डायरी नहीं लिखता। इसके बजाय, यह हर बार जब वह कुछ करता है, तो रसोई का एक स्नैपशॉट (एक "सीन ग्राफ") लेता है।
- यह एक विशेष कैमरे (ग्राफ न्यूरल नेटवर्क) का उपयोग करके स्नैपशॉट को देखता है और उसे एक छोटे, घने "फिंगरप्रिंट" (एम्बेडिंग) में बदल देता है।
- यह इन फिंगरप्रिंट्स को एक फोटो एल्बम (अनुभव मेमोरी बैंक) में संग्रहीत करता है।
- यह क्यों मदद करता है: यदि रोबोट कहीं फंस जाता है या ऐसी स्थिति देखता है जो उसने पहले देखी है, तो वह टेक्स्ट के 50 पन्ने नहीं पढ़ता। वह बस अपने फोटो एल्बम को देखता है, एक समान दिखने वाली तस्वीर ढूंढता है, और कहता है, "आह, मैं यहाँ पहले भी आया हूँ! उस तस्वीर में, मैंने टमाटर उठाया था। चलो फिर से वही करते हैं।"
3. "क्रिस्टल बॉल" (सीमित भविष्यदृष्टि/Bounded Lookahead)
कभी-कभी रोबोट भविष्य का अनुमान लगाते हैं और गलत हो जाते हैं। वे सोचते हैं, "यदि मैं ब्रेड को मेज पर रख दूँ, तो सूप तैयार हो जाएगा।" लेकिन वे गलत होते हैं।
- GiG की ट्रिक: किसी कदम के लिए प्रतिबद्ध होने से पहले, रोबोट अपने दिमाग में एक क्रिस्टल बॉल (बाउंडेड लुकअहेड) का उपयोग करता है।
- यह अगले चरण का अनुकरण करता है: "यदि मैं ब्रेड उठाता हूँ, तो तुरंत बाद रसोई कैसी दिखेगी?"
- यह जाँचता है: "क्या मैंने कोई नियम तोड़ा? क्या मैंने एक लूप बना दिया?"
- यदि सिमुलेशन अच्छा दिखता है, तो यह रोबोट को कहता है, "आगे बढ़ो।" यदि यह बुरा दिखता है, तो यह कहता है, "ऐसा मत करो।" यह होने से पहले ही रोबोट को मूर्खतापूर्ण गलतियाँ करने से रोकता है।
4. "लूप डिटेक्टर" (The "Loop Detector")
रोबोट लूप में फंसने (बार-बार एक ही चीज़ करने) के लिए कुख्यात हैं।
- उपमा: एक कुत्ते की कल्पना करें जो अपनी ही पूंछ का पीछा कर रहा है। वह हमेशा एक घेरे में दौड़ता रहता है।
- GiG का समाधान: क्योंकि GiG हर "स्नैपशॉट" को फिंगरप्रिंट के रूप में संग्रहीत करता है, यह तुरंत पहचान सकता है, "रुको एक मिनट! मैंने पहले भी यह सटीक रसोई का लेआउट देखा है, और मैंने अभी-अभी यही किया है! मैं अपनी ही पूंछ का पीछा कर रहा हूँ!" यह तुरंत लूप को तोड़ता है और एक अलग रास्ता आज़माता है।
परिणाम: यह क्यों मायने रखता है
शोधकर्ताओं ने तीन अलग-अलग "रसोईयों" (बेंचमार्क) पर इसका परीक्षण किया:
- Robotouille (सिंक्रोनस): सैंडविच बनाना जहाँ आपको चीजों के लिए प्रतीक्षा करनी पड़ती है।
- Robotouille (असिंक्रोनस): सूप बनाना जहाँ आप प्रतीक्षा के दौरान अन्य चीजें कर सकते हैं।
- ALFWorld: एक टेक्स्ट-आधारित घर जहाँ आपको छिपी हुई चीजें ढूँढनी होती हैं।
परिणाम:
GiG पिछले सर्वश्रेष्ठ रोबोटों की तुलना में बहुत बेहतर था।
- इसने 22% अधिक सैंडविच कार्य हल किए।
- इसने 37% अधिक सूप कार्य हल किए (क्योंकि यह मल्टीटास्किंग में बेहतर था)।
- इसने 15% अधिक घर के कार्य हल किए।
- बोनस: इसने यह सब अन्य रोबots की तुलना में कम कंप्यूटर पावर का उपयोग करते हुए किया, क्योंकि इसे हर बार एक विशाल, बिखरी हुई डायरी पढ़ने की आवश्यकता नहीं थी।
सारांश
GiG एक रोबोट बटलर को पिछले अनुभवों का एक स्मार्ट फोटो एल्बम, एक जाल जैसा प्लानर जो उसे प्रतीक्षा के दौरान मल्टीटास्किंग करने देता है, और अपने कदमों की जाँच करने के लिए एक क्रिस्टल बॉल देने जैसा है। निर्देशों की एक लंबी सूची में खो जाने के बजाय, यह कमरे की संरचना और सफलता के पैटर्न को याद रखता है, जिससे यह घर को जलाए बिना जटिल भोजन बनाने में सक्षम होता 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।