💻 computer science

Green-VLA: Staged Vision-Language-Action Model for Generalist Robots

यह शोध पत्र Green-VLA का परिचय देता है, जो एक पांच-चरणीय पाठ्यक्रम ढांचा (curriculum framework) है जो बड़े पैमाने पर मल्टीमॉडल प्रीट्रेनिंग, एम्बॉडिमेंट-विशिष्ट अनुकूलन (embodiment-specific adaptation), और सुदृढीकरण शिक्षण (reinforcement learning) को जोड़ता है ताकि एक एकल सामान्यज्ञ नीति (generalist policy) को ग्रीन ह्यूमनाइड सहित विविध रोबोटिक प्रणालियों को बेहतर सुरक्षा और दीर्घ-अवधि दक्षता के साथ मजबूती से नियंत्रित करने में सक्षम बनाया जा सके।

मूल लेखक: I. Apanasevich, M. Artemyev, R. Babakyan, P. Fedotova, D. Grankin, E. Kupryashin, A. Misailidi, D. Nerus, A. Nutalapati, G. Sidorov, I. Efremov, M. Gerasyov, D. Pikurov, Y. Senchenko, S. Davidenko, D.

प्रकाशित 2026-03-10

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: I. Apanasevich, M. Artemyev, R. Babakyan, P. Fedotova, D. Grankin, E. Kupryashin, A. Misailidi, D. Nerus, A. Nutalapati, G. Sidorov, I. Efremov, M. Gerasyov, D. Pikurov, Y. Senchenko, S. Davidenko, D. Kulikov, M. Sultankin, K. Askarbek, O. Shamanin, D. Statovoy, E. Zalyaev, I. Zorin, A. Letkin, E. Rusakov, A. Silchenko, V. Vorobyov, S. Sobolnikov, A. Postnikov

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 सहायक बटलर (butler) बनने के लिए सिखाना चाहते हैं। अतीत में, आपको उसे बिल्कुल सटीक रूप से दिखाना पड़ता कि एक विशिष्ट कप, फिर एक विशिष्ट प्लेट, और फिर एक विशिष्ट चम्मच कैसे उठाना है, एक-एक करके। यदि आप उसे एक नया कप देते जिसे उसने पहले कभी नहीं देखा था, तो संभावना है कि वह उसे गिरा देगा।

Green-VLA रोबोट को सिखाने का एक नया, स्मार्ट तरीका है। केवल लाखों विशिष्ट गतिविधियों को रटने के बजाय, यह रोबोट को दुनिया को समझने, भौतिकी (physics) के सामान्य नियमों को सीखने, और फिर वास्तव में काम में माहिर होने तक अभ्यास करने के लिए प्रशिक्षित करता है।

यहाँ बताया गया है कि उन्होंने इसे कैसे किया, जिसे सरल चरणों में विभाजित किया गया है:

1. "फाइव-स्टेज स्कूल" करिकुलम (पाँच-चरणों वाला पाठ्यक्रम)

रोबोट को सीधे गहरे पानी में फेंकने के बजाय, शोधकर्ताओं ने इसे पाँच-चरणीय स्कूल प्रणाली के माध्यम से प्रशिक्षित किया। इसे एक इंसान के बड़े होने की तरह समझें:

चरण 0 (शिशु): रोबोट एक ऐसे "मस्तिष्क" के साथ शुरू करता है जो पहले से ही भाषा और चित्रों के बारे में बहुत कुछ जानता है (जैसे एक स्मार्ट बच्चा जिसने लाइब्रेरी की हर किताब पढ़ ली हो)। वह जानता है कि "कप" क्या है, लेकिन वह अभी यह नहीं जानता कि उसे कैसे पकड़ना है।
चरण 1 (एक्सप्लोरर/अन्वेषक): रोबोट इंटरनेट पर लोगों द्वारा किए जाने वाले लाखों वीडियो देखता है। वह सीखता है कि यदि आप कप को धक्का देते हैं, तो वह फिसलता है; यदि आप उसे गिराते हैं, तो वह टूट जाता है। वह सीखता है कि भौतिक दुनिया कैसे काम करती है, इसका "कॉमन सेंस" क्या है।
चरण 2 (इंटर्न): अब, रोबोट अन्य रोबोटों (हाथों, मोबाइल बॉट्स, ह्यूमनॉइड्स) को कार्य करते हुए देखता है। वह सीखता है कि "पकड़ना" (grabbing) एक पंजे वाले रोबोट या उंगलियों वाले रोबोट के लिए अलग दिख सकता है, लेकिन लक्ष्य वही रहता है। वह अलग-अलग रोबोटिक शरीरों के बीच अनुवाद करना सीखता है।
चरण 3 (स्पेशलिस्ट/विशेषज्ञ): अंत में, रोबोट को उसका विशिष्ट शरीर ( "Green" ह्यूमनॉइड रोबोट) सौंपा जाता है। वह विशेष रूप से अपने स्वयं के हाथों और अंगों के साथ अभ्यास करता है, यह सीखते हुए कि उसके जोड़ (joints) ठीक कैसे चलते हैं।
चरण 4 (कोच के साथ प्रशिक्षु): यही असली सफलता का मंत्र है। रोबोट एक कार्य करने की कोशिश करता है। यदि वह विफल होता है, तो एक "कोच" (Reinforcement Learning) केवल यह नहीं कहता कि "फिर से प्रयास करो।" वह कहता है, "आप बहुत धीमे थे," या "आपने इसे इसलिए गिरा दिया क्योंकि आपने इसे पर्याप्त जोर से नहीं दबाया था।" रोबोट अपनी गलतियों से सीखता है और लंबे, जटिल कार्यों में बेहतर होता जाता है।

2. रोबोटिक हाथों के लिए "यूनिवर्सल ट्रांसलेटर"

रोबोटिक्स में सबसे बड़ी समस्याओं में से एक यह है कि हर रोबोट अलग तरह से बनाया जाता है। किसी के दो हाथ हैं, किसी के एक, किसी के पहिए हैं, किसी के पैर हैं। आमतौर पर, आपको प्रत्येक के लिए एक अलग मस्तिष्क प्रशिक्षित करना पड़ता है।

Green-VLA एक यूनिवर्सल एक्शन स्पेस का उपयोग करता है। एक यूनिवर्सल रिमोट कंट्रोल की कल्पना करें। चाहे आप टीवी, पंखा या लाइट को नियंत्रित कर रहे हों, रिमोट एक ही भाषा का उपयोग करता है (वॉल्यूम अप, पावर, चैनल)।

Green-VLA हर रोबोट की विशिष्ट गतिविधियों को इस "यूनिवर्सल भाषा" में अनुवादित करता है।
इसका मतलब है कि रोबोट दो हाथों वाले फैक्ट्री रोबोट से सीख सकता है और उस ज्ञान को एक ह्यूमनॉइड रोबोट पर लागू कर सकता है, भले ही वे दिखने में पूरी तरह से अलग हों। यह एक ट्रक चलाने और फिर आसानी से कार चलाना सीख जाने जैसा है क्योंकि आप "स्टीयरिंग" और "ब्रेकिंग" की अवधारणा को समझते हैं।

3. "क्वालिटी कंट्रोल" फ़िल्टर

इंटरनेट खराब डेटा से भरा है: धुंधले वीडियो, हिलते हुए कैमरा फुटेज, या अजीब तरह से चलते हुए रोबोट। यदि आप रोबोट को खराब डेटा पर प्रशिक्षित करते हैं, तो वह अनाड़ी बन जाता है।

टीम ने एक DataQA Pipeline (एक गुणवत्ता निरीक्षक) बनाया है।

यह एक सख्त फिल्म संपादक की तरह काम करता है। यह स्वचालित रूप से हिलते हुए वीडियो, धुंधले फ्रेम, या उन क्लिप्स को हटा देता है जहाँ रोबोट हिल नहीं रहा है।
यह अच्छे वीडियो को "स्मूथ" (smooth) भी करता है। यदि एक रोबोट धीरे चलता है और दूसरा तेज़, तो सिस्टम गति को समायोजित करता है ताकि वे एक ही लय में चलते हुए दिखें। इससे रोबोट केवल गति के बजाय गति के पैटर्न को सीख पाता है।

4. चीजों को उठाने के लिए "जीपीएस" (GPS)

कल्पना कीजिए कि आप रोबोट को कहते हैं, "शैम्पू की नीली बोतल उठाओ।" लेकिन बोतल एक बॉक्स के पीछे छिपी है, या यह एक ऐसा ब्रांड है जिसे रोबोट ने पहले कभी नहीं देखा है। एक सामान्य रोबोट भ्रमित हो सकता है और गलत चीज़ पकड़ सकता है।

Green-VLA के पास एक विशेष गाइडेंस मॉड्यूल (उसके हाथों के लिए जीपीएस की तरह) है।

हिलने से पहले ही, यह अपनी "आंखों" और "मस्तिष्क" का उपयोग करके यह अनुमान लगाता है कि नीली बोतल 3D स्पेस में ठीक कहाँ है।
इसके बाद, यह अपने हाथ से उस नीली बोतल तक एक अदृश्य रेखा खींचता है और उस रेखा के साथ अपनी गति को निर्देशित करता है। यह उसे उस विशिष्ट बोतल को पकड़ने में मदद करता है जिसे उसने पहले कभी नहीं देखा है।

5. "सेफ्टी नेट" (सुरक्षा जाल)

जब एक रोबोट सीख रहा होता है, तो वह गलती से कुछ खतरनाक या असंभव करने की कोशिश कर सकता है (जैसे मेज के आर-पार पहुँचने की कोशिश करना)।

Green-VLA में एक Out-of-Distribution Detector है। यह एक सुरक्षा गार्ड की तरह है। यदि रोबोट ऐसी दिशा में बढ़ने लगता है जो "अजीब" है या जो उसने सीखा नहीं है, तो सिस्टम उसे टकराने या कुछ तोड़ने से पहले धीरे से एक सुरक्षित पथ पर वापस लाता है।

परिणाम

अंतिम रोबोट, जिसका नाम Green है, यह कर सकता है:

"मेज साफ करो और सेबों को टोकरी में डालो" जैसे जटिल निर्देशों को समझना।
अपने दोनों हाथों का एक साथ उपयोग करना (bimanual manipulation)।
उन नई वस्तुओं को संभालना जिन्हें उसने पहले कभी नहीं देखा।
गलतियों से उबरना (यदि वह कुछ गिरा देता है, तो वह घबराने के बजाय उसे फिर से उठा लेता है)।

संक्षेप में: Green-VLA केवल एक स्क्रिप्ट रटने वाला रोबोट नहीं है। यह एक ऐसा रोबot है जो दुनिया को समझता है, गति की एक सार्वभौमिक भाषा बोलता है, और एक कोच से सीखकर एक विश्वसनीय, सामान्य उद्देश्य वाला सहायक बनता है।

यहाँ Green-VLA पेपर का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

विज़न-लैंग्वेज-एक्शन (VLA) मॉडल्स में तीव्र प्रगति के बावजूद, केवल डेटा और पैरामीटर्स को स्केल करना वास्तविक दुनिया के रोबोटिक परिनियोजन (deployment) की मुख्य चुनौतियों को हल करने में विफल रहता है:

डेटा विषमता (Data Heterogeneity): रोबोटिक डेटासेट अवलोकन प्रकारों (observation types), एक्शन स्पेस (जॉइंट बनाम कार्टेशियन), और सैंपलिंग दरों में काफी भिन्न होते हैं, जिससे एकीकृत प्रशिक्षण (unified training) कठिन हो जाता है।
डेटा की गुणवत्ता (Data Quality): ट्रेजेक्टरीज अक्सर जिटर (jitter), ब्लर और असंगत निष्पादन से ग्रस्त होती हैं, जबकि दृश्य विविधता (scene diversity) अक्सर कम होती है।
बिहेवियर क्लोनिंग (BC) की सीमाएँ: मानक BC प्रशिक्षण ( $L_{BC} = E[\|\pi(s) - a\|^2]$ ) जल्दी ही संतृप्त (saturate) हो जाता है, और लॉन्ग-होरिज़न उद्देश्यों, कार्य-स्तर के पुरस्कारों, या आउट-ऑफ-डिस्ट्रीब्यूशन (OOD) अवस्थाओं के विरुद्ध मजबूती बनाए रखने में विफल रहता है।
एम्बॉडमेंट विशिष्टता (Embodiment Specificity): अधिकांश मॉडल विशिष्ट रोबोटिक संरचनाओं (morphologies) से बंधे होते हैं, जिनमें बिना आर्किटेक्चरल बदलाव के विविध एम्बॉडमेंट्स (जैसे, सिंगल-आर्म मैनिपुलेटर से हाई-DoF ह्यूमनॉइड तक) में सामान्यीकरण करने की क्षमता का अभाव होता है।
इन्फरेंस लेटेंसी (Inference Latency): स्पष्ट तर्क विधियाँ (जैसे, चेन-ऑफ-थॉट) अक्सर उच्च लेटेंसी का कारण बनती हैं, जो रियल-टाइम कंट्रोल को रोकती हैं।

2. कार्यप्रणाली: Green-VLA फ्रेमवर्क (Methodology: The Green-VLA Framework)

Green-VLA वेब-स्केल प्रीट्रेनिंग और वास्तविक दुनिया के परिनियोजन के बीच के अंतर को पाटने के लिए एक स्टेज्ड ट्रेनिंग करिकुलम और एक यूनिफाइड डेटा/कंट्रोल स्टैक पेश करता है।

A. पांच-चरणीय प्रशिक्षण पाठ्यक्रम (Five-Stage Training Curriculum)

यह फ्रेमवर्क सिमेंटिक और फिजिकल प्रायर्स (priors) बनाने के लिए पांच अलग-अलग चरणों के माध्यम से आगे बढ़ता है:

L0 (बेस VLM): यह एक फाउंडेशनल विजन-लैंग्वेज मॉडल (जैसे, Qwen3-VL या PaliGemma) से शुरू होता है जो बड़े पैमाने पर इमेज/वीडियो-टेक्स्ट डेटा पर प्रीट्रेन किया गया है।
L1 (वेब मल्टीमॉडल प्रीट्रेनिंग): यह 24M गैर-रोबोटिक इंटरनेट-स्केल सैंपल्स (VQA, स्थानिक तर्क, पॉइंटिंग) पर प्रशिक्षित होता है ताकि भौतिक सामान्य ज्ञान (physical common sense) और ऑब्जेक्ट अफोर्डेंस (object affordances) स्थापित किया जा सके।
R0 (जेनरल रोबोटिक्स प्रीट्रेनिंग): यह विविध रोबोटिक डेटा (>3,000 घंटे: ह्यूमनॉइड्स, मोबाइल मैनिपुलेटर्स, फिक्स्ड आर्म्स) पर प्रीट्रेन होता है ताकि क्रॉस-एम्बॉडमेंट इनवेरियंट्स और बेस मैनिपुलेशन स्किल्स सीखी जा सकें।
R1 (एम्बॉडमेंट-विशिष्ट अनुकूलन): यह मॉडल को लक्षित रोबोट (जैसे, Green ह्यूमनॉइड) के लिए उच्च-गुणवत्ता वाले डेटा पर फाइन-ट्यून करता है ताकि तत्काल सफलता दर को अधिकतम किया जा सके।
R2 (RL अलाइनमेंट): यह नीतियों को टास्क रिवार्ड्स, फेल्योर रिकवरी और लॉन्ग-होरिज़न उद्देश्यों के साथ अलाइन करने के लिए रीइन्फोर्समेंट लर्निंग (RL) का उपयोग करता है, जिससे BC सैचुरेशन से ऊपर निकला जा सके।

B. यूनिफाइड डेटा फ्रेमवर्क और गुणवत्ता आश्वासन (Unified Data Framework & Quality Assurance)

DataQA पाइपलाइन: एक फ़िल्टरिंग सिस्टम जो ट्रेजेक्टरीज को जिटर ( $J$ ), इमेज शार्पनेस ( $S$ ), विजुअल डाइवर्सिटी ( $D$ ), और स्टेट वेरिएंस ( $\sigma^2$ ) के आधार पर स्कोर करता है। कम गुणवत्ता वाले खंडों को हटा दिया जाता है।
टेम्पोरल अलाइनमेंट (Temporal Alignment): विभिन्न डेटासेट्स में निष्पादन की गति को सामान्य करने के लिए ऑप्टिकल फ्लो मैग्नीट्यूड का उपयोग करता है। ट्रेजेक्टरीज को इस तरह से रीसैंपल/इंटरपोलेट किया जाता है कि समान दृश्य परिवर्तन समान एक्शन इंक्रीमेंट्स के अनुरूप हों।
डेटा ऑग्मेंटेशन: इसमें मानवॉइड डेटा का सिंथेटिक विस्तार शामिल है, जैसे मिररिंग (द्विपक्षीय समरूपता का लाभ उठाना) और टाइम-रिवर्शल (प्रतिवर्ती कार्यों के लिए), ताकि प्रभावी प्रशिक्षण घंटों को बढ़ाया जा सके।

C. यूनिफाइड एक्शन स्पेस और आर्किटेक्चर (Unified Action Space & Architecture)

यूनिफाइड सिमेंटिक लेआउट ( $A_u$ ): विषम एक्शन स्पेस के साधारण पैडिंग के बजाय, Green-VLA सभी रोबोटिक क्रियाओं (जॉइंट्स, कार्टेशियन, ग्रिपर्स) को एक निश्चित 64-डायमेंशनल सिमेंटिक स्पेस में मैप करता है।
मास्क्ड लॉस (Masked Loss): एक बाइनरी मास्क $m_e$ एक विशिष्ट एम्बॉडमेंट के लिए वैध डायमेंशन को इंगित करता है। लॉस केवल वैध स्लॉट्स पर कंप्यूट किया जाता है, जो पैडिंग से होने वाले "स्पूरियस ग्रेडिएंट्स" को रोकता है और विभिन्न रोबर्स के बीच पॉजिटिव ट्रांसफर को सक्षम बनाता है।
कंट्रोल प्रॉम्प्टिंग (Control Prompting): मॉडल एक स्ट्रक्चर्ड प्रॉम्प्ट $c_e$ द्वारा कंडिशन किया जाता है जो भुजाओं (arms) की संख्या, नियंत्रण प्रकार (जॉइंट/कार्टेशियन), और मोबिलिटी को निर्दिष्ट करता है, जिससे एक ही पॉलिसी विविध रोबोट्स को नियंत्रित कर सकती है।
फ्लो-मैचिंग एक्शन एक्सपर्ट (Flow-Matching Action Expert): एक फ्लो-मैचिंग मॉडल यूनिफाइड स्पेस में एक्शन चंक्स की भविष्यवाणी करता है, जो लो-लेटेंसी इन्फरेंस के लिए अनुकूलित है।

D. उन्नत इन्फरेंस मॉड्यूल (Advanced Inference Modules)

टास्क प्लानर (GigaVision): एक हाई-लेवल VLM जटिल यूजर गोल्स को एटोमिक सब-टास्क्स (जैसे, "आइटम उठाना," "बॉक्स में रखना") में तोड़ देता है और री-प्लानिंग के लिए फीडबैक लूप प्रबंधित करता है।
जॉइंट प्रेडिक्शन मॉड्यूल (JPM) और गाइडेंस: अनदेखे ऑब्जेक्ट्स के लिए, एक लाइटवेट मॉड्यूल टेक्स्ट से 2D अफोर्डेंस पॉइंट प्रेडिक्ट करता है, उसे 3D में लिफ्ट करता है, और फ्लो-मैचिंग ट्रेजेक्टरी को लक्ष्य की ओर बायस करने के लिए स्यूडो-इनवर्स गाइडेंस ( $\Pi$ GDM) का उपयोग करता है, जिससे क्लटर्ड एनवायरनमेंट में सटीकता में सुधार होता है।
OOD डिटेक्शन: एक गॉसियन मिक्सचर मॉडल (GMM) स्टेट डेंसिटी की निगरानी करता है। यदि रोबोट लो-डेंसिटी स्टेट में प्रवेश करता है, तो पॉलिसी को वापस ट्रेनिंग डिस्ट्रीब्यूशन की ओर धकेलने के लिए ग्रेडिएंट डिसेंट के माध्यम से एक्शन को सुधारा जाता है।
स्पीड कंडीशनिंग: एक स्केलर फैक्टर $v$ मॉडल को विभिन्न टेम्पोरल रेजोल्यूशन (फाइन-ग्रेन्ड बनाम कोर्स) पर काम करने की अनुमति देता है, जिससे सटीकता और दक्षता के बीच संतुलन बनता है।

3. प्रमुख योगदान (Key Contributions)

क्वालिटी-फर्स्ट डेटा पाइपलाइन: एक व्यापक DataQA सिस्टम जिसमें टेम्पोरल अलाइनमेंट और सिंथेटिक ऑग्मेंटेशन (मिररिंग/टाइम-रिवर्शल) शामिल है, जो उच्च-गुणवत्ता वाला, एम्बॉडमेंट-अग्नोस्टिक ट्रेनिंग डेटा सुनिश्चित करता है।
स्टेजड ट्रेनिंग रेसिपी: एक प्रमाणित करिकुलम (L0 $\rightarrow$ L1 $\rightarrow$ R0 $\rightarrow$ R1 $\rightarrow$ R2) जो वेब-स्केल प्रायर्स को रोबोटिक्स में प्रभावी ढंग से ट्रांसफर करता है, विशिष्ट एम्बॉडमेंट्स के अनुकूल बनाता है, और RL के माध्यम से प्रदर्शन को परिष्कृत करता है।
यूनिफाइड मल्टी-एम्बॉडमेंट कंट्रोल: एक नया मास्क्ड एक्शन स्पेस और प्रॉम्प्टिंग मैकेनिज्म जो एक ही पॉलिसी को आर्किटेक्चरल बदलाव के बिना ह्यूमनॉइड्स, ड्यूल-आर्म मैनिपुलेटर्स और मोबाइल बेसेस को नियंत्रित करने की अनुमति देता है।
RL-एन्हांस्ड लॉन्ग-होरिज़न परफॉरमेंस: व्यवहार क्लोनिंग (BC) की संतृप्ति सीमाओं को तोड़ने के लिए Q-फंक्शन ऑप्टिमाइज़ेशन और सोर्स डिस्ट्रीब्यूशन ऑप्टिमाइज़ेशन के माध्यम से RL का एकीकरण, जो सफलता दर, मजबूती और औसत चेन लेंथ (ACL) में सुधार करता है।
रियल-वर्ल्ड ह्यूमनॉइड परिनियोजन: Green ह्यूमनॉइड रोबोट (32 DoF, डेक्सट्रस हैंड्स) पर सफल परिनियोजन, जो नए एम्बॉडमेंट्स के लिए ज़ीरो-शॉट जनरलाइजेशन और बाइमैनुअल टास्क पर स्टेट-ऑफ-द-आर्ट प्रदर्शन प्रदर्शित करता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

बेंचमार्क्स (Simpler और CALVIN):
- R0 स्टेज: Green-VLA, Simpler बेंचमार्क पर काफी कम डेटा (~3,000 घंटे बनाम >10,000 घंटे) का उपयोग करके पूर्ववर्ती फाउंडेशन मॉडल्स ( $\pi_0$ , GR00T N1, AgiBot GO-1) को पछाड़ देता है।
- R1 स्टेज: एम्बॉडमेंट फाइन-ट्यूनिंग के बाद, यह स्पेशलाइज्ड फाइन-ट्यून किए गए बेसलाइन्स के साथ प्रतिस्पर्धी परिणाम प्राप्त करता है।
- R2 स्टेज: RL अलाइनमेंट सबसे बड़े लाभ प्रदान करता है, जो WidowX कार्यों पर सफलता दर में 24% की वृद्धि करता है और CALVIN पर औसत चेन लेंथ (ACL) को महत्वपूर्ण रूप से बढ़ाता है, जो बेहतर लॉन्ग-होरिज़न कंसिस्टेंसी और एरर रिकवरी प्रदर्शित करता है।
ह्यूमनॉइड प्रदर्शन:
- ग्रीन ह्यूमनॉइड पर उच्च सफलता दर (जैसे, पिक टास्क के लिए 98%, हैंडओवर के लिए 99%) प्राप्त की।
- OOD दृश्यों में भी इंस्ट्रक्शन-कंडीशंड जटिल कार्यों (जैसे, टेबल क्लीनिंग और फ्रूट सॉर्टिंग) को सफलतापूर्वक संभाला।
ई-कॉमर्स शेल्फ पिकिंग:
- JPM गाइडेंस मॉड्यूल ने क्लटर्ड एनवायरनमेंट में विशिष्ट SKUs को उठाने के लिए सफलता दर को काफी बढ़ा दिया, इन-डोमेन कोर्स टास्क पर 95.4% सफलता और OOD टास्क पर 72.8% सफलता प्राप्त की (गाइडेंस के बिना ~10% की तुलना में)।

5. महत्व (Significance)

Green-VLA "डेटा स्केलिंग" से "क्वालिटी और अलाइनमेंट स्केलिंग" की ओर एक प्रतिमान बदलाव (paradigm shift) का प्रतिनिधित्व करता है। यह दर्शाता है कि:

यूनिफाइड एक्शन स्पेस जनरललिस्ट रोबोट्स के लिए महत्वपूर्ण हैं, जो विविध हार्डवेयर के बीच ज्ञान हस्तांतरण की अनुमति देते हैं।
स्टेजड ट्रेनिंग वेब-डेटा (सिमेंटिक ग्राउंडिंग) और फिजिकल कंट्रोल (रोबोट डेटा) के बीच संतुलन बनाने के लिए आवश्यक है।
RL अलाइनमेंट बिहेवियर क्लोनिंग की संतृप्ति सीमाओं को तोड़ने के लिए आवश्यक है, विशेष रूप से लॉन्ग-होरिज़न और डेक्सट्रस कार्यों के लिए।
व्यावहारिक परिनियोजन: यह फ्रेमवर्क केवल एक सिमुलेशन बेंचमार्क नहीं है बल्कि जटिल, हाई-DoF ह्यूमनॉइड्स के लिए एक परिनियोजन योग्य सिस्टम है, जो जनरललिस्ट रोबोटिक इंटेलिजेंस बनाने के लिए एक स्केलेबल रेसिपी प्रदान करता है।