🤖 machine learning

MEM: Multi-Scale Embodied Memory for Vision Language Action Models

यह शोध पत्र मल्टी-स्केल एम्बोडीड मेमोरी (MEM) का परिचय देता है, जो एक मिश्रित-मोडल आर्किटेक्चर है जो वीडियो-आधारित अल्पकालिक और टेक्स्ट-आधारित दीर्घकालिक मेमोरी को एकीकृत करता है ताकि विजन-लैंग्वेज-एक्शन मॉडल्स को पंद्रह मिनट तक के जटिल, लॉन्ग-होराइजन रोबोटिक कार्यों को प्रभावी ढंग से करने में सक्षम बनाया जा सके।

मूल लेखक: Marcel Torne, Karl Pertsch, Homer Walke, Kyle Vedder, Suraj Nair, Brian Ichter, Allen Z. Ren, Haohuan Wang, Jiaming Tang, Kyle Stachowicz, Karan Dhabalia, Michael Equi, Quan Vuong, Jost Tobias Springe

प्रकाशित 2026-03-05

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Marcel Torne, Karl Pertsch, Homer Walke, Kyle Vedder, Suraj Nair, Brian Ichter, Allen Z. Ren, Haohuan Wang, Jiaming Tang, Kyle Stachowicz, Karan Dhabalia, Michael Equi, Quan Vuong, Jost Tobias Springenberg, Sergey Levine, Chelsea Finn, Danny Driess

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 गंदी रसोई साफ करना सिखा रहे हैं। यदि आप एक मानक रोबोट से यह करने के लिए कहते हैं, तो यह एक ऐसे व्यक्ति से रेसिपी का पालन करने के लिए कहने जैसा है जिसे भ記憶लोप (amnesia) हो। वे अपने सामने मौजूद सामग्रियों को देख सकते हैं, लेकिन जैसे ही वे कोई मसाला लेने के लिए अपनी पीठ घुमाते हैं, वे भूल जाते हैं कि वे क्या कर रहे थे। यदि उनसे एक चम्मच गिर जाता है, तो उन्हें याद नहीं रहता कि उन्होंने अभी उसे गिराया था, इसलिए वे बार-बार उसी तरह से उसे उठाने की कोशिश करते रहते हैं, और हर बार असफल होते हैं।

यह पेपर MEM (Multi-Scale Embodied Memory) नामक एक नई प्रणाली पेश करता है जो रोबोट को एक ऐसा "दिमाग" देती है जो दो बहुत अलग तरीकों से चीजों को याद रख सकता है, ठीक वैसे ही जैसे इंसान करते हैं।

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

1. समस्या: रोबोट की "कम एकाग्रता अवधि" (Short Attention Span)

आज के अधिकांश उन्नत रोबोट गोल्डफिश (goldfish) की तरह हैं। वे देख सकते हैं कि अभी इस वक्त क्या हो रहा है, लेकिन वे याद नहीं रख सकते कि 10 सेकंड पहले क्या हुआ था, 10 मिनट तो दूर की बात है।

समस्या: यदि कोई रोबोट काउंटर पोंछ रहा है, तो वह भूल सकता है कि उसने पहले ही बायां हिस्सा पोंछ लिया है। यदि वह खाना बना रहा है, तो वह भूल सकता है कि उसने पहले ही नमक डाल दिया है।
पुराना तरीका: इसे ठीक करने के लिए, वैज्ञानिकों ने रोबोट को पिछले एक घंटे के हर एक वीडियो फ्रेम को खिलाने की कोशिश की। लेकिन यह एक 500 पन्नों की किताब को 1 सेकंड में पढ़ने की कोशिश करने जैसा है। रोबोट का कंप्यूटर अभिभूत (overwhelmed) हो जाता है, और उसकी गति धीमी होकर रेंगने लगती है।

2. समाधान: दो प्रकार की याददाश्त

लेखकों ने महसूस किया कि इंसान हर चीज़ को एक ही तरह से याद नहीं रखते। हमारे पास अल्पकालिक स्मृति (short-term memory) होती है (जो मैंने अभी देखा) और दीर्घकालिक स्मृति (long-term memory) होती है (जिस योजना का मैं पालन कर रहा हूँ)। MEM रोबोट को ये दो अलग-अलग उपकरण देता है।

A. अल्पकालिक स्मृति: "सुपर-शार्प आँख" (वीडियो मेमोरी)

यह क्या है: एक हाई-स्पीड वीडियो कैमरा जो पिछले कुछ सेकंडों को हाई डेफिनेशन में याद रखता है।
उदाहरण: कल्पना कीजिए कि आप साबुन के एक फिसलन भरे टुकड़े को उठाने की कोशिश कर रहे हैं। आप उसे देखते हैं, उसे पकड़ने के लिए हाथ बढ़ाते हैं, और वह फिसल जाता है।
- MEM के बिना: रोबोट भूल जाता है कि वह फिसला था और फिर से उसी ग्रिप (पकड़) के साथ वही कोशिश करता है।
- MEM के साथ: रोबोट की "आँख" याद रखती है, "हे, मैंने अभी उस पकड़ को आजमाया था और वह विफल रहा।" वह तुरंत अपने हाथ का कोण बदल देता है, ठीक वैसे ही जैसे आप तब करेंगे जब आपको याद आए कि साबुन फिसलन भरा था।
यह क्यों विशेष है: यह occlusion (जब आपका अपना हाथ किसी वस्तु के दृश्य को बाधित करता है) जैसी समस्याओं को हल करता है। रोबोट याद रखता है कि एक पल पहले वहां क्या था, इसलिए वह भ्रमित नहीं होता जब वह एक क्षण के लिए वस्तु को नहीं देख पाता।

B. दीर्घकालिक स्मृति: "स्मार्ट डायरी" (टेक्स्ट मेमोरी)

यह क्या है: पिछले 15 मिनटों में जो हुआ उसका एक संक्षिप्त टेक्स्ट सारांश।
उदाहरण: कल्पना कीजिए कि आप एक बड़ी रसोई साफ कर रहे हैं। आपको यह याद रखने की ज़रूरत नहीं है कि आपने प्रत्येक प्लेट का रंग कैसा देखा था। आपको बस कहानी याद रखनी है: "मैंने प्लेटें धो दीं, उन्हें रैक में रख दिया, और कैबिनेट बंद कर दिया।"
जादू: रोबोट को सफाई के 10,000 वीडियो फ्रेम खिलाने के बजाय, रोबोट अपनी "डायरी" में एक छोटा सा नोट लिखता है: "पूर्ण हुआ: प्लेटें। अगला: फ्रिज।" यह अविश्वसनीय रूप से कुशल है। यह रोबोट को 15 मिनट के कार्य (जैसे पूरा रात्रिभोज बनाना) को बिना "कंप्यूटर सिरदर्द" के ट्रैक करने की अनुमति देता है।

3. वे एक साथ कैसे काम करते हैं: "मैनेजर और वर्कर"

पेपर में रोबोट के दिमाग को दो हिस्सों के रूप में वर्णित किया गया है जो तालमेल में काम करते हैं:

उच्च-स्तरीय मैनेजर (टेक्स्ट मेमोरी): यह हिस्सा बड़ी तस्वीर देखता है। यह "डायरी" पढ़ता है ताकि पता चल सके, "ठीक है, हम रेसिपी के चरण 4 पर हैं। हमारे पास आलू हैं, लेकिन हमारे पास अभी तक मक्खन नहीं है।" यह रोबपथ बताता है कि अगला उप-कार्य (sub-task) क्या है।
निम्न-स्तरीय वर्कर (वीडियो मेमोरी): यह हिस्सा तत्काल क्रिया को देखता है। यह मक्खन का जार देखता है, याद रखता है कि पिछली बार जब इसने इसे खोलने की कोशिश की थी और यह फिसल गया था, और सफलतापूर्वक खोलने के लिए अपनी पकड़ को एडजस्ट करता है।

4. परिणाम: यह अब क्या कर सकता है?

इस दोहरी-स्मृति प्रणाली के कारण, रोबोट अब वे चीजें कर सकता है जो पहले असंभव थीं:

पूरी रसोई साफ करना: यह याद रख सकता है कि इसने कौन से दराज खाली किए, किन सतहों को पोंछा, और अंत में इसे फ्रिज का दरवाजा बंद करने की आवश्यकता है।
भोजन बनाना: यह 15 मिनट तक एक रेसिपी का पालन कर सकता है, यह याद रखते हुए कि इसने कौन सी सामग्रियां डालीं और सैंडविच को कब पलटना है।
तुरंत अनुकूलित होना: यदि यह फ्रिज खोलने की कोशिश करता है और विफल रहता है, तो यह विफलता को याद रखता है, यह समझ जाता है कि दरवाजा दूसरी ओर खुलता है, और तुरंत फिर से प्रयास करता है। यह विफलता के लूप में नहीं फंसता।

मुख्य निष्कर्ष

MEM को एक रोबोट को तत्काल अतीत के लिए फोटोग्राफिक मेमोरी (जटिल शारीरिक गतिविधियों को संभालने के लिए) और दूर के अतीत के लिए एक स्मार्ट सारांश नोटबुक (लंबे लक्ष्यों को ट्रैक करने के लिए) देने के रूप में सोचें।

इससे पहले, रोबोट कम ध्यान अवधि वाले उन लोगों की तरह थे जो एक वाक्य भी पूरा नहीं कर पाते थे। अब, वे एक सक्षम सहायक की तरह हैं जो योजना को याद रख सकते हैं, नोटिस कर सकते हैं कि गलती कब हुई, और उसे ठीक कर सकते हैं—और यह सब करते हुए बातचीत को जारी रख सकते हैं। यह उन रोबोटों की दिशा में एक बड़ा कदम है जो वास्तव में हमारे घरों में रह और काम कर सकें, बिना किसी इंसान के हर कदम पर हाथ पकड़ने की आवश्यकता के जटिल काम संभाल सकें।

यहाँ शोध पत्र "MEM: Multi-Scale Embodied Memory for Vision Language Action Models" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

वर्तमान विजन-लैंग्वेज-एक्शन (VLA) मॉडल आमतौर पर बिना किसी मेमोरी के या हालिया अवलोकनों (observations) की एक सीमित कॉन्टेक्स्ट विंडो के साथ काम करते हैं। यह लॉन्ग-होरिज़न रोबोटिक कार्यों (जो मिनटों तक चलते हैं) और आंशिक दृश्यता (partial observability) वाले कार्यों के लिए महत्वपूर्ण बाधाएं उत्पन्न करता है।

ट्रेड-ऑफ (The Trade-off): लंबे कार्यों के लिए सभी पिछले अवलोकनों (छवियों, प्रोप्रियोसेप्शन) के सघन अनुक्रम (dense sequence) को संग्रहीत करना कंप्यूटेशनल रूप से अव्यवहार्य है क्योंकि इसमें लेटेंसी (latency) की सीमाएं होती हैं। हालांकि, पूरे इतिहास को एक एकल प्रतिनिधित्व (single representation) में संकुचित करने से तत्काल हेरफेर (manipulation) के लिए आवश्यक सूक्ष्म विवरण (जैसे, अवरोध/occlusions को संभालना) खो जाते हैं।
अंतराल (The Gap): मौजूदा दृष्टिकोण अक्सर मेमोरी के लिए एक ही मोडैलिटी (जैसे, केवल प्रोप्रियोसेप्शन, केवल कीफ्रेम, या कच्चा टेक्स्ट) का उपयोग करते हैं। इसके परिणामस्वरूप एक समझौता होता है: या तो रोबोट पकड़ (grasp) को ठीक करने के लिए आवश्यक सटीक स्थानिक/गतिशील जानकारी खो देता है, या वह उच्च-स्तरीय सिमेंटिक प्रगति (जैसे, "मैंने पहले ही मक्खन डाल दिया है") को ट्रैक करने की क्षमता खो देता है।
लक्ष्य: एक ऐसी मेमोरी आर्किटेक्चर विकसित करना जो विभिन्न स्तरों की सूक्ष्मता (granularity) पर पिछले घटनाओं का प्रतिनिधित्व कर सके—तत्काल गतिशीलता के लिए सघन लघु-अवधि विजुअल मेमोरी और कार्य प्रगति के लिए संकुचित दीर्घकालिक सिमेंटिक मेमोरी—जबकि वास्तविक समय की अनुमान गति (real-time inference speed) को बनाए रखा जा सके।

2. कार्यप्रणाली: मल्टी-स्केल एम्बोडीड मेमोरी (MEM)

लेखक MEM का प्रस्ताव करते हैं, जो एक मिश्रित-मोडैलिटी मेमोरी सिस्टम है जो अलग-अलग समय पैमानों को संभालने के लिए पॉलिसी को दो विशिष्ट लेकिन परस्पर क्रिया करने वाले घटकों में विभाजित करता है:

A. आर्किटेक्चर अवलोकन (Architecture Overview)

सिस्टम एक्शन प्रेडिक्शन पॉलिसी $\pi$ को दो भागों में विभाजित करता है:

हाई-लेवल पॉलिसी ( $\pi_{HL}$ ): दीर्घकालिक योजना बनाने और एक लैंग्वेज मेमोरी ( $m_t$ ) को अपडेट करने के लिए जिम्मेदार है।
लो-लेवल पॉलिसी ( $\pi_{LL}$ ): शॉर्ट-होरिज़न वीडियो मेमोरी और वर्तमान सबटास्क निर्देश के आधार पर तत्काल एक्शन जनरेशन के लिए जिम्मेदार है।

इस विभाजन को इस प्रकार परिभाषित किया गया है:
$\pi(a_{t:t+H}, l_{t+1}, m_{t+1} | o_{t-T:t}, m_t, g) \approx \pi_{LL}(a_{t:t+H} | o_{t-K:t}, l_{t+1}, g) \cdot \pi_{HL}(l_{t+1}, m_{t+1} | o_{t}, m_t, g)$
जहाँ $K \ll T$ (शॉर्ट होराइजन बनाम लॉन्ग होराइजन)।

B. दीर्घकालिक मेमोरी: भाषा-आधारित तंत्र (Long-Term Memory: Language-Based Mechanism)

अवधारणा: कच्चे इतिहास को संग्रहीत करने के बजाय, हाई-लेवल पॉलिसी सिमेंटिक घटनाओं (जैसे, "प्लेट को कैबिनेट में रखा") का एक संकुचित टेक्स्ट सारांश ( $m_t$ ) बनाए रखती है।
तंत्र: पॉलिसी को पिछले सारांश $m_t$ , वर्तमान अवलोकनों और कार्य लक्ष्य के आधार पर एक अपडेटेड सारांश $m_{t+1}$ की भविष्यवाणी करने के लिए प्रशिक्षित किया जाता है।
संपीड़न रणनीति (Compression Strategy): सिस्टम को अप्रासंगिक विवरणों (जैसे, कटोरे के विशिष्ट रंग) को हटाने और केवल आवश्यक स्थिति जानकारी (जैसे, "ऊपरी दाएं कैबिनेट में तीन कटोरे रखे गए") को बनाए रखने के लिए स्पष्ट रूप से प्रशिक्षित किया जाता है। यह कॉन्टेक्स्ट विंडो में विफल सबटास्क निर्देशों को दोहराने के कारण होने वाले 'ट्रेन-इन्फरेंस डिस्ट्रीब्यूशन शिफ्ट' को रोकता है।
ट्रेनिंग डेटा: इसे रोबोटिक प्रदर्शनों से सफल/विफल सबटास्क अनुक्रमों को सारांशित करने के लिए एक ऑफ-द-शेल्फ LLM का उपयोग करके तैयार किया गया है, जो मॉडल को प्रभावी ढंग से जानकारी को संकुचित करना सिखाता है।

C. अल्पकालिक मेमोरी: कुशल वीडियो एनकोडर (Short-Term Memory: Efficient Video Encoder)

अवधारणा: अवरोध (occlusions), गतिशीलता (dynamics) और सूक्ष्म हेरफेर को संभालने के लिए, लो-लेवल पॉलिसी को हाल के अवलोकनों ( $o_{t-K:t}$ ) के एक सघन अनुक्रम की आवश्यकता होती है।
चुनौती: $K$ फ्रेम्स को सीधे VLA बैकबोन में पास करने से इन्फरेंस लेटेंसी अत्यधिक बढ़ जाती है (300ms की रियल-टाइम बाधा को पार कर जाती है)।
समाधान: विजन ट्रांसफॉर्मर (ViT) पर आधारित एक विशेष वीडियो एनकोडर।
- आर्किटेक्चर: यह मानक स्थानिक अटेंशन लेयर्स के साथ कॉज़ल-टेम्पोरल अटेंशन लेयर्स (हर चौथी लेयर में) को इंटरलीव करता है।
- दक्षता: यह एक ही पैच के लिए समय के माध्यम से अटेंशन लागू करता है, जिससे जटिलता $O(n^2K^2)$ से घटकर $O(Kn^2 + nK^2)$ हो जाती है।
- टोकन रिडक्शन: यह ऊपरी लेयर्स में पिछले टाइमस्टेप्स के टोकन को हटा देता है, और केवल वर्तमान टाइमस्टेप के रिप्रेजेंटेशन को VLA बैकबोन को पास करता है। यह सिंगल-फ्रेम VLAs के समान टोकन काउंट रखता है, जबकि टेम्पोरल कॉन्टेक्स्ट को भी एनकोड करता है।
- इनिशियलाइजेशन: एनकोडर को साइनुसोइडल टेम्पोरल पोजीशन एम्बेडिंग्स के साथ प्री-ट्रेंड ViT वेट्स (जैसे, SigLIP) से इनिशियलाइज किया गया है, जिसके लिए बेस विजन मॉडल के लिए कोई नए लर्न करने योग्य पैरामीटर्स की आवश्यकता नहीं है।

D. $\pi0.6$ के साथ एकीकरण (Integration with $\pi0.6$ )

MEM सिस्टम को $\pi0.6$ VLA (एक जनरलिस्ट मॉडल जिसे विविध रोबोट और इंटरनेट डेटा पर प्रशिक्षित किया गया है) में एकीकृत किया गया है।

इनपुट: वीडियो-एनकोडेड शॉर्ट-टर्म हिस्ट्री, प्रोप्रियोसेप्टिव स्टेट एम्बेडिंग्स (लीनियरली प्रोजेक्टेड), और लैंग्वेज मेमोरी सारांश को जोड़ता है।
ट्रेनिंग: इसे टेलीऑपरेटेड डेटा, पॉलिसी रोलआउट्स और वीडियो-लैंग्वेज कार्यों के विविध मिश्रण पर प्री-ट्रेन किया गया है। मॉडल लैंग्वेज मेमोरी को अपडेट करना और वीडियो एनकोडर का उपयोग करना एक साथ सीखता है।

3. मुख्य योगदान (Key Contributions)

मल्टी-मोडल मेमोरी आर्किटेक्चर: पहला सिस्टम जो स्पष्ट रूप से सघन वीडियो-आधारित शॉर्ट-टर्म मेमोरी (डायनामिक्स/अवरोध के लिए) को संकुचित भाषा-आधारित लॉन्ग-टर्म मेमोरी (सिमेंटिक स्टेट के लिए) के साथ एक ही VLA में जोड़ता है।
कुशल वीडियो एनकोडर: एक अभिनव, पैरामीटर-कुशल वीडियो एनकोडर जो VLAs को रियल-टाइम लेटेंसी बाधाओं का उल्लंघन किए बिना वीडियो इतिहास के कई सेकंड को प्रोसेस करने की अनुमति देता है, जिससे इन-कॉन्टेक्स्ट एडैप्टेशन संभव होता है।
सिमेंटिक कंप्रेशन: पॉलिसी के लिए अपने इतिहास को सक्रिय रूप से सारांशित और संकुचित करने का एक तंत्र, जो लॉन्ग-होरिज़न कार्यों के दौरान कॉन्टेक्स्ट विंडो ओवरफ्लो और डिस्ट्रीब्यूशन शिफ्ट को रोकता है।
स्टेट-ऑफ-द-आर्ट परफॉरमेंस: प्रदर्शित किया गया कि मेमोरी-एन्हांस्ड पॉलिसी जटिल, 15-मिनट के कार्यों (जैसे, किचन साफ करना, ग्रिल्ड चीज़ सैंडविच बनाना) को हल कर सकती है जो मेमोरी-लेस SOTA मॉडल्स के लिए असंभव हैं।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने विभिन्न कार्यों पर $\pi0.6$ बैकबोन पर MEM का मूल्यांकन किया:

लॉन्ग-होरिज़न टास्क:
- रेसिपी सेटअप और किचन क्लीनअप: MEM ने उन कार्यों में उच्च सफलता दर हासिल की जिनमें 15 मिनट तक की मेमोरी की आवश्यकता होती है (जैसे, सामग्री को ट्रैक करना, दराज बंद करना, बर्तन धोना)।
- एब्लेशन (Ablation): वीडियो मेमोरी या लैंग्वेज मेमोरी में से किसी एक को हटाने से प्रदर्शन में महत्वपूर्ण गिरावट आई। "नेइव" टेक्स्ट मेमोरी (बिना संपीड़न के सभी निर्देशों को जोड़ना) डिस्ट्रीब्यूशन शिफ्ट के कारण विफल रही।
इन-कॉन्टेक्स्ट एडैप्टेशन (In-Context Adaptation):
- चॉपस्टिक और फ्रिज टास्क: MEM पॉलिसीज़ अपनी शॉर्ट-टर्म वीडियो मेमोरी में विफलता को देखकर रणनीतियों को अनुकूलित कर सकती हैं (जैसे, चॉपस्टिक के लिए ग्रैस्प हाइट को एडजस्ट करना या दरवाजा खोलने की दिशा बदलना)। मेमोरी-लेस मॉडल उसी विफलता को दोहराते रहे।
कोर मेमोरी क्षमताएं:
- पार्शियल ऑब्जर्वेबिलिटी और काउंटिंग: MEM ने "पूल मेमोरी" (पिछले फ्रेम्स का औसत पूलिंग) और "प्रोप्रियो मेमोरी" (स्टेट-ओनली हिस्ट्री) जैसे बेसलाइन्स को छिपी हुई वस्तुओं को खोजने, कॉफी स्कूप गिनने और किराने के सामान को अनपैक करने जैसे कार्यों में पछाड़ दिया।
- प्री-ट्रेनिंग का महत्व: विविध डेटा पर वीडियो एनकोडर के साथ प्री-ट्रेन किए गए मॉडल उन मॉडल्स की तुलना में काफी बेहतर थे जहाँ मेमोरी मॉड्यूल को केवल पोस्ट-ट्रेनिंग के दौरान पेश किया गया था।
जनरलाइजेशन: MEM ने मानक मैनिपुलेशन कार्यों (जैसे, कपड़े तह करना, बॉक्स बनाना) पर बेस $\pi0.6$ के प्रदर्शन के बराबर प्रदर्शन किया, जहाँ मेमोरी की सख्त आवश्यकता नहीं है, जो यह सिद्ध करता है कि मेमोरी जोड़ने से बेसलाइन प्रदर्शन कम नहीं होता है।

5. महत्व (Significance)

स्केलेबिलिटी: MEM यह दर्शाता है कि रोबोट प्रभावी रूप से मिनटों तक की मेमोरी को प्रबंधित कर सकते हैं, जो जटिल, बहु-चरणीय दैनिक गतिविधियों को करने में सक्षम स्वायत्त एजेंटों की दिशा में एक महत्वपूर्ण कदम है।
दक्षता: शॉर्ट-टर्म डेंस मेमोरी को लॉन्ग-टर्म सिमेंटिक मेमोरी से अलग करके, सिस्टम "कॉन्टेक्स्ट विंडो बनाम लेटेंसी" के द्वंद्व को हल करता है, जिससे वास्तविक हार्डवेयर पर लॉन्ग-होरिज़न कंट्रोल संभव हो जाता है।
मजबूती (Robustness): इन-कॉन्टेक्स्ट एडैप्टेशन (एक ही एपिसोड के भीतर तत्काल पिछले विफलताओं से सीखना) करने की क्षमता रोबोट को वास्तविक दुनिया की अनिश्चितता और अवरोधों के प्रति अधिक मजबूत बनाती है।
भविष्य की दिशा: यह कार्य रोबोट के लिए "कंटीन्यूअल लर्निंग" की नींव रखता है, जहाँ मेमोरी अंततः हफ्तों या महीनों तक फैल सकती है, जिससे रोबोट समय के साथ तैनाती के अनुभवों से सीख सकते हैं।