← नवीनतम पेपर
🤖 machine learning

RAPT: Model-Predictive Out-of-Distribution Detection and Failure Diagnosis for Sim-to-Real Humanoid Deployment

यह शोधपत्र RAPT प्रस्तुत करता है, जो एक हल्का, स्व-पर्यवेक्षित (self-supervised) मॉनिटर है जो सिम-टू-रियल (Sim-to-Real) परिनियोजन के दौरान ह्यूमनॉइड रोबोटों के लिए उच्च-आवृत्ति वाली आउट-ऑफ-डिस्ट्रीब्यूशन डिटेक्शन और व्याख्या योग्य, ज़ीरो-शॉट विफलता निदान को सक्षम बनाता है, जिससे साइलेंट फेलियर और हार्डवेयर क्षति के जोखिमों में काफी कमी आती है।

मूल लेखक: Humphrey Munn, Brendan Tidd, Peter Bohm, Marcus Gallagher, David Howard

प्रकाशित 2026-07-22
📖 3 मिनट में पढ़ें☕ कॉफ़ी ब्रेक में पढ़ें
CC BY 4.0

मूल लेखक: Humphrey Munn, Brendan Tidd, Peter Bohm, Marcus Gallagher, David Howard

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 आदर्श, वीडियो-गेम जैसी दुनिया के भीतर लाखों बार अभ्यास करने देकर उसे चलना सिखा रहे हैं। उस डिजिटल खेल में, रोबोट बिना कभी लड़खड़ाए संतुलन बनाना, दौड़ना और नृत्य करना सीख जाता है। लेकिन जब आप अंततः उसे अनप्लग करते हैं और वास्तविक दुनिया में कदम रखने देते हैं, तो चीजें अस्त-व्यस्त हो जाती हैं। वास्तविक दुनिया में फिसलन भरे फर्श, अप्रत्याशित उभार और ऐसे सेंसर होते हैं जो कभी-कभी झूठ बोलते हैं। यह एक पेचीदा "सिम-टू-रियल" (Sim-to-Real) समस्या है: एक रोबोट गेम में चैंपियन की तरह व्यवहार कर सकता है लेकिन वास्तविकता में तुरंत लड़खड़ा सकता है क्योंकि उसने पहले कभी इन वास्तविक दुनिया की गड़बड़ियों को नहीं देखा है। यदि रोबोट को यह एहसास नहीं होता कि वह भ्रमित है, तो वह टूटी हुई टांग पर चलने की कोशिश करता रह सकता है या उस दीवार के विरुद्ध धक्का दे सकता है जो वहां है ही नहीं, जिससे वह खुद से टकरा सकता है या अपने महंगे पुर्जों को तोड़ सकता है। वैज्ञानिक एक "सुरक्षा जाल" बनाने की कोशिश कर रहे हैं जो रोबोट पर नज़र रखे, यह पहचान सके कि वह कब किसी अजीब, खतरनाक स्थिति में प्रवेश कर रहा है जिसे उसके लिए प्रशिक्षित नहीं किया गया था, और आपदा आने से पहले ब्रेक लगा दे।

यह बिल्कुल वही है जिसे पेपर "RAPT" हल करता है। लेखकों ने RAPT (रिकरेंट एनोमली प्रोबेबिलिस्टिक ट्रैजेक्टरी मॉडल) नामक एक हल्का, सुपर-फास्ट वॉचडॉग सिस्टम बनाया है जो रोबोट के मस्तिष्क के साथ चलता है। RAPT को एक अत्यधिक अनुभवी कोच की तरह समझें जिसने वीडियो गेम में रोबोट का इतना अभ्यास देखा है कि उसे ठीक पता है कि उसे कैसे चलना चाहिए। जब रोबोट वास्तविक दुनिया में चलना शुरू करता है, तो RAPT हर जोड़ और सेंसर पर वास्तविक समय (real-time) में नज़र रखता है। यदि रोबोट अचानक इस तरह से डगमगाने लगता है जो उसकी "परफेक्ट प्रैक्टिस" की यादों से मेल नहीं खाता—जैसे कि यदि उसे ज़ोर से धक्का दिया जाए या वह फिसलन भरे पैच पर कदम रखे—तो RAPT तुरंत चिल्लाता है, "हे, यह सामान्य नहीं है!" और एक सुरक्षित स्टॉप (safe stop) को ट्रिगर करता है।

RAPT को जो चीज़ खास बनाती है वह यह नहीं है कि यह केवल "रुक जाओ" नहीं कहता; यह एक जासूस की तरह काम करता है। यह सटीक रूप से बता सकता है कि रोबोट का कौन सा हिस्सा अजीब व्यवहार कर रहा है और वह कब अजीब व्यवहार करने लगा। इससे भी बेहतर बात यह है कि यह एक स्मार्ट भाषा सहायक (एक AI) से बात कर सकता है ताकि यह अनुमान लगाया जा सके कि रोबोट क्यों विफल हुआ, जैसे कि "ओह, रोबोट शायद गीले फर्श पर फिसल गया होगा" या "किसी ने उसे धक्का दिया," बिना उस विशिष्ट दुर्घटना को देखे हुए भी। अपने परीक्षणों में, टीम ने सिमुलेशन में RAPT को प्रशिक्षित किया और फिर इसे एक वास्तविक रोबोट पर आजमाया। परिणामों ने दिखाया कि RAPT अन्य तरीकों की तुलना में इन खतरनाक क्षणों को पकड़ने में बहुत बेहतर था, जिसने सिमुलेशन में 37% अधिक समस्याओं को पकड़ा और वास्तविक रोबोट पर 89% समस्याओं को पकड़ा, और यह सब करते हुए कि इसने तब भी बहुत कम बार "क्रेजी वॉल्फ" (गलत चेतावनी) दी जब वास्तव में सब कुछ ठीक था। यह उन रोबोटों को बनाने की दिशा में एक कदम है जो खुद को तोड़े बिना वास्तविक दुनिया की अव्यवस्थाओं को सुरक्षित रूप से एक्सप्लोर कर सकें।

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.LG →