🤖 AI

Generative Control as Optimization: Time Unconditional Flow Matching for Adaptive and Robust Robotic Control

यह शोध पत्र जेनेरेटिव कंट्रोल एज ऑप्टिमाइज़ेशन (GeCO) को प्रस्तुत करता है, जो एक टाइम-अनकंडीशनल फ्लो मैचिंग फ्रेमवर्क है जो रोबोटिक एक्शन सिंथेसिस को एक एडेप्टिव ऑप्टिमाइज़ेशन प्रक्रिया में बदल देता है, जिससे कार्य की जटिलता के आधार पर परिवर्तनीय कंप्यूटेशनल बजट सक्षम होता है और आउट-ऑफ-डिस्ट्रीब्यूशन डिटेक्शन के लिए एक ट्रेनिंग-फ्री सेफ्टी सिग्नल प्रदान किया जाता है।

मूल लेखक: Zunzhe Zhang, Runhan Huang, Yicheng Liu, Shaoting Zhu, Linzhan Mou, Hang Zhao

प्रकाशित 2026-03-19

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Zunzhe Zhang, Runhan Huang, Yicheng Liu, Shaoting Zhu, Linzhan Mou, Hang Zhao

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

यहाँ GeCO पेपर का स्पष्टीकरण दिया गया है, जिसे सरल, रोज़मर्रा की भाषा और कुछ रचनात्मक उपमाओं (analogies) के साथ अनुवादित किया गया है।

मुख्य विचार: एक "कठोर ट्रेन" से "स्मार्ट GPS" तक

कल्पना कीजिए कि आप एक रोबोट को कार्य करना सिखा रहे हैं, जैसे कि एक कप उठाना या एक खिलौना जोड़ना।

पुराना तरीका (Diffusion/Flow Matching):
वर्तमान सर्वोत्तम तरीकों को एक कठोर ट्रेन शेड्यूल की तरह समझें। रोबोट चाहे जहाँ भी हो या कार्य कितना भी आसान क्यों न हो, यात्री (एक्शन) को पहुँचाने के लिए ट्रेन को ठीक 20 स्टेशनों पर रुकना ही होगा।

समस्या: यदि रोबोट को बस अपना हाथ थोड़ा सा हिलाने की ज़रूरत है (एक बहुत ही सरल कार्य), तो भी उसे सभी 20 स्टेशनों पर रुकना पड़ता है। यह समय और ऊर्जा बर्बाद करता है। लेकिन यदि रोबोट के सामने कोई बहुत कठिन कार्य आता है (जैसे सुई में धागा डालना), तो 20 स्टॉप पर्याप्त नहीं हो सकते, और वह विफल हो सकता है। यह शेड्यूल काम की कठिनाई के प्रति "अंधा" है।

नया तरीका (GeCO):
लेखक GeCO (Generative Control as Optimization) पेश करते हैं। इसे एक स्मार्ट GPS या नक्शे के साथ एक हाइकर के रूप में सोचें।

एक निश्चित शेड्यूल का पालन करने के बजाय, रोबोट इलाके (terrain) को देखता है।
यदि रास्ता समतल और आसान है (सरल कार्य), तो रोबोट कुछ तेज़ कदम उठाता है और कहता है, "मैं पहुँच गया!" और रुक जाता है।
यदि रास्ता ढलान वाला और पथरीला है (जटिल कार्य), तो रोबोट चढ़ाई जारी रखता है, सही जगह खोजने के लिए अधिक कदम उठाता है।
परिणाम: यह आसान कामों पर ऊर्जा बचाता है और कठिन कामों पर अधिक समय खर्च करता है, जिससे रोबोट तेज़ और स्मार्ट बनता है।

यह कैसे काम करता है: "चुंबक" की उपमा

यह समझने के लिए कि GeCO वास्तव में रोबोट को कैसे चलाता है, कल्पना कीजिए कि एक विशाल, अदृश्य चुंबकीय परिदृश्य (magnetic landscape) है।

लक्ष्य (चुंबक): किसी कार्य को करने का "विशेषज्ञ" तरीका (जैसे एक इंसान द्वारा इसे पूरी तरह से करना) एक घाटी के नीचे स्थित एक मजबूत चुंबक की तरह है।
रोबोट (लोहे की गेंद): रोबोध हवा में कहीं तैरती हुई लोहे की गेंद (रैंडम नॉइज़) के रूप में शुरू होता है।
गतिविधि:
- पुराना तरीका: रोबोट को एक ऐसी हवा द्वारा धकेला जाता है जो हर सेकंड दिशा बदलती है। उसे ठीक 20 सेकंड तक हवा के साथ बहना पड़ता है, इस उम्मीद में कि वह घाटी में उतर जाएगा।
- GeCO तरीका: रोबोट एक स्थिर घाटी में है जिसमें नीचे एक चुंबक है। वह बस पहाड़ी से नीचे लुढ़कता है।
  - यदि वह चुंबक के करीब है, तो वह तेज़ी से लुढ़कता है और तुरंत रुक जाता है।
  - यदि वह दूर है या पहाड़ी कठिन है, तो वह बिल्कुल सही जगह पर सेट होने तक अधिक समय तक लुढ़कता रहता है।
- जादू: रोबोट उसी क्षण रुक जाता है जब उसे महसूस होता है कि "चुंबकीय खिंचाव" शून्य हो गया है। उसे टाइमर की आवश्यकता नहीं होती; वह बस जान जाता है कि उसका काम पूरा हो गया है।

"सेफ्टी अलार्म" फीचर

GeCO की सबसे शानदार बातों में से एक यह है कि इसमें सुरक्षा के लिए एक इन-बिल्ट झूठ पकड़ने वाला यंत्र (lie detector) है।

कल्पना कीजिए कि रोबोट को रसोई संभालने के लिए प्रशिक्षित किया गया है। वह जानता है कि कप, चम्मच और चूल्हा कहाँ हैं।

सामान्य स्थिति (In-Distribution): रोबोट एक कप देखता है। "चुंबकीय घाटी" चिकनी है। रोबोट नीचे लुढ़कता है और रुक जाता है। जो "बल" (force) वह महसूस करता है, वह शून्य है। स्थिति: सुरक्षित।
अजीब स्थिति (Out-of-Distribution): अचानक, मेज पर एक विशाल, तैरता हुआ पिज्जा दिखाई देता है (कुछ ऐसा जो रोबोट ने पहले कभी नहीं देखा)। "चुंबकीय घाटी" गायब हो जाती है या अराजक हो जाती है। रोबोट लुढ़कने की कोशिश करता है, लेकिन वह बस इधर-उधर फिसलता रहता है, कभी भी एक स्थिर जगह नहीं ढूंढ पाता। जो "बल" वह महसूस करता है, वह बहुत अधिक और अस्थिर रहता है।
सुरक्षा संकेत: GeCO इस थरथराहट वाले बल को मापता है। यदि बल अधिक है, तो रोबोट जानता है, "रुको, यहाँ कुछ गलत है! मुझे नहीं पता कि क्या करना है।" वह बिना किसी अलग सुरक्षा कैमरे या अलार्म सिस्टम के, दुर्घटना को रोकने के लिए तुरंत रुक सकता है।

यह क्यों महत्वपूर्ण है (वास्तविक दुनिया का प्रभाव)

शोधकर्ताओं ने वास्तविक रोबोटों और सिमुलेशन पर इसका परीक्षण किया:

गति: आसान कार्यों पर, GeCO ने पुराने तरीकों की तुलना में आधे समय में (या कम कंप्यूटर स्टेप्स में) काम पूरा कर लिया।
समझदारी: कठिन कार्यों पर, इसने सही परिणाम पाने के लिए बस आवश्यक अतिरिक्त समय लिया, जिससे सफलता दर बढ़ गई।
प्लग-एंड-प्ले: आप पूरे रोबोट को फिर से बनाए बिना आधुनिक रोबोट (जैसे प्रसिद्ध $\pi_0$ मॉडल) के "दिमाग" को GeCO के साथ बदल सकते हैं। यह सीधे फिट हो जाता है।

एक वाक्य में सारांश

GeCO रोबोटिक कंट्रोल को एक कठोर, घड़ी देखने वाली प्रक्रिया से बदलकर एक लचीली, "पहुँचने पर रुकने वाली" ऑप्टिमाइज़ेशन समस्या में बदल देता है, जिससे रोबोट तेज़, सुरक्षित और भ्रमित होने पर खुद को पहचानने में सक्षम बनते हैं।

यहाँ शोध पत्र "Generative Control as Optimization: Time Unconditional Flow Matching for Adaptive and Robust Robotic Control" (GeCO) का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

वर्तमान रोबोटिक इमिटेशन लर्निंग (Imitation Learning) काफी हद तक डिफ्यूजन मॉडल्स (Diffusion Models) और फ्लो मैचिंग (Flow Matching) पर निर्भर है। हालाँकि ये मल्टी-मोडल व्यवहारों को कैप्चर करने में प्रभावी हैं, लेकिन इन विधियों में एक मौलिक संरचनात्मक अक्षमता (structural inefficiency) है:

कठोर समय-कंडीशनिंग (Rigid Time-Conditioning): वे समय-निर्भर वेक्टर फील्ड्स (time-dependent vector fields) सीखते हैं जो एक पूर्व-निर्धारित, निश्चित एकीकरण शेड्यूल (जैसे, $t \in [0, 1]$ ) के अनुसार विकसित होते हैं।
अंधा एकीकरण (Blind Integration): पॉलिसी को वर्तमान रोबोटिक अवस्था की वास्तविक जटिलता की परवाह किए बिना एक निश्चित संख्या में एकीकरण चरणों (integration steps) को निष्पादित करना पड़ता है। यह सरल गतियों (जैसे, साधारण रीचिंग) पर कंप्यूटेशनल संसाधनों को बर्बाद करता है और जटिल कार्यों (जैसे, नाजुक हेरफेर) के लिए पर्याप्त सुधार करने में विफल हो सकता है।
अंतर्निहित सुरक्षा का अभाव (Lack of Intrinsic Safety): समय-परिवर्तित फील्ड्स में एक स्थिर ऊर्जा परिदृश्य (stationary energy landscape) की कमी होती है, जिससे सहायक नेटवर्क या एन्सेंबल्स के बिना एक्शन की वैधता को सत्यापित करना या आउट-ऑफ-डिस्ट्रीब्यूशन (OOD) परिदृश्यों का पता लगाना कठिन हो जाता है।

2. कार्यप्रणाली: जेनेरेटिव कंट्रोल एज ऑप्टिमाइज़ेशन (GeCO)

GeCO एक समय-अप्रतिबंधित (time-unconditional), स्थिर वेग क्षेत्र (stationary velocity field) सीखकर ट्रैजेक्टरी इंटीग्रेशन से पुनरावृत्ति अनुकूलन (iterative optimization) की ओर एक प्रतिमान परिवर्तन (paradigm shift) का प्रस्ताव करता है।

मुख्य तंत्र (Core Mechanism)

स्थिर वेग क्षेत्र (Stationary Velocity Field): $v_\theta(x, \gamma, s_t)$ (जहाँ $\gamma$ समय है) सीखने के बजाय, GeCO एक्शन-सीक्वेंस स्पेस पर एक एकल स्थिर क्षेत्र $f_\theta(x, s_t)$ सीखता है।
आकर्षक (Attractors): विशेषज्ञ व्यवहार इस क्षेत्र में स्थिर अट्रैक्टर्स (संतुलन बिंदु) बनाते हैं। क्षेत्र को इस तरह डिज़ाइन किया गया है कि वह ग्राउंड-ट्रुथ एक्शन्स के पास शून्य ( $f_\theta \to 0$ ) हो जाए।
वेग रीस्केलिंग (Velocity Rescaling): मजबूत अभिसरण (convergence) सुनिश्चित करने के लिए, यह विधि एक रीस्केलिंग तंत्र पेश करती है जहाँ स्टेट के लक्ष्य (expert manifold) के करीब पहुँचने पर फ्लो का परिमाण कम हो जाता है। यह लक्षित मोड के चारों ओर एक "जियोमेट्रिक सिंक" (geometric sink) बनाता है।

प्रशिक्षण प्रक्रिया (Training Process)

अंतर्निहित समय चर (Implicit Time Variable): समय $\gamma$ का उपयोग केवल प्रशिक्षण के दौरान शोर (noise) और डेटा के बीच इंटरपोलेशन ( $x_\gamma = \gamma a + (1-\gamma)\epsilon$ ) के लिए किया जाता है, लेकिन इसे मॉडल में नहीं डाला जाता है।
लक्ष्य वेक्टर (Target Vector): प्रशिक्षण लक्ष्य एक रिस्टोरिंग दिशा $g^*$ है जो विशेषज्ञ डेटा की ओर संकेत करती है, जिसे एक क्षय फलन (decay function) $c(\gamma)$ द्वारा स्केल किया गया है जो $\gamma \to 1$ होने पर शून्य की ओर बढ़ता है।
लॉस फंक्शन (Loss Function): मॉडल अनुमानित फील्ड और लक्ष्य रिस्टोरिंग दिशा के बीच के अंतर को कम करता है, जिससे सभी प्रशिक्षण युग्मों को प्रत्येक सीन के लिए एक सुसंगत क्षेत्र में व्यवस्थित किया जाता है।

अनुमान (Inference/Adaptive Optimization)

ऑप्टिमाइज़ेशन लूप: परिनियोजन (deployment) के समय, अनुमान को एक अनकन्स्ट्रेंड ऑप्टिमाइज़ेशन समस्या को हल करने के रूप में फ्रेम किया गया है:
$a^{(k+1)} = a^{(k)} - \eta_k f_\theta(a^{(k)}, s_t)$
अनुकूली शीघ्र निकास (Adaptive Early Exit): प्रक्रिया तब रुकती है जब फील्ड का नॉर्म $\|f_\theta\|$ $∥ f_{θ} ∥$ एक सहनशीलता (tolerance) $\tau$ $τ$ से नीचे गिर जाता है (जो अभिसरण का संकेत देता है) या अधिकतम स्टेप काउंट तक पहुँच जाता है।
- सरल अवस्थाएँ (Simple States): तेजी से अभिसरित होती हैं (कम स्टेप्स)।
- जटिल अवस्थाएँ (Complex States): गहरे सुधार के लिए अधिक पुनरावृत्तियों (iterations) की आवश्यकता होती है।
प्लग-एंड-प्ले (Plug-and-Play): GeCO न्यूनतम वास्तुशिल्प परिवर्तनों (जैसे, टाइम एम्बेडिंग $t=0$ को फिक्स करना) के साथ विजन-लैंग्वेज-एक्शन (VLA) मॉडल्स (जैसे, $\pi_0$ सीरीज़) में मानक फ्लो-मैचिंग हेड्स को बदल सकता है।

अंतर्निहित OOD डिटेक्शन

सुरक्षा संकेत (Safety Signal): अनुकूलित एक्शन पर वेग क्षेत्र का नॉर्म एक ट्रेनिंग-फ्री OOD डिटेक्टर के रूप में कार्य करता है।
- इन-डिस्ट्रीब्यूशन (ID): अवस्थाएँ कम-ऊर्जा वाले अट्रैक्टर्स में अभिसरित होती हैं ( $\|f_\theta\| \approx 0$ )।
- आउट-ऑफ-डिस्ट्रीब्यूशन (OOD): विसंगतियों (anomalies) में सीखा हुआ मैनिफोल्ड नहीं होता, जिसके परिणामस्वरूप निरंतर, गैर-लुप्त होने वाले ग्रेडिएंट्स मिलते हैं ( $\|f_\theta\| \gg 0$ )।
यह रोबोट को सहायक अनिश्चितता नेटवर्क के बिना विसंगतियों का पता लगाने और निष्पादन को जल्दी समाप्त करने की अनुमति देता है।

3. प्रमुख योगदान (Key Contributions)

समय-अप्रतिबंधित ढांचा (Time-Unconditional Framework): जेनेरेटिव कंट्रोल को फिक्स्ड-शेड्यूल इंटीग्रेशन से एडेप्टिव ऑप्टिमाइज़ेशन में बदलकर, प्लानिंग होराइजन को ट्रेनिंग शेड्यूल्स से अलग करता है।
अनुकूली गणना (Adaptive Computation): कार्य की जटिलता के आधार पर कंप्यूटेशनल बजट को गतिशील रूप से आवंटित करता है, सरल कार्यों के लिए जल्दी बाहर निकलता है और कठिन कार्यों के लिए अधिक गहनता से काम करता है।
ट्रेनिंग-फ्री सुरक्षा (Training-Free Safety): फील्ड नॉर्म के आधार पर एक अंतर्निहित, ज़ीरो-शॉट सुरक्षा तंत्र प्रदान करता है, जो मजबूत विसंगति पहचान (anomaly detection) को सक्षम बनाता है।
स्केलेबिलिटी और बहुमुखी प्रतिभा (Scalability & Versatility): बड़े पैमाने के VLA मॉडल्स (जैसे, $\pi_0$ ) और डिफ्यूजन ट्रांसफॉर्मर (DiT) के साथ सहज एकीकरण प्रदर्शित करता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने मानक सिमुलेशन बेंचमार्क और वास्तविक हार्डवेयर पर GeCO को सत्यापित किया।

दक्षता-प्रदर्शन ट्रेड-ऑफ (LIBERO बेंचमार्क):
- केवल 5 स्टेप्स के बजट के साथ GeCO ने रेक्टिफाइड फ्लो (निश्चित 20 स्टेप्स) की तुलना में सफलता दर (91.9% बनाम 90.0%) में बेहतर प्रदर्शन किया, जबकि 75% कम कंप्यूट का उपयोग किया।
- पीक परफॉरमेंस (20-स्टेप बजट) पर, औसत फंक्शन इवैल्यूएशन की संख्या (NFE) केवल 11.6 थी, जो यह सिद्ध करती है कि ऑप्टिमाइज़र स्वाभाविक रूप से सरल अवस्थाओं के लिए जल्दी बाहर निकल जाता है।
VLA मॉडल्स तक स्केलेबिलिटी:
- VLABench: $\pi_0$ के साथ एकीकृत GeCO ने 36.0% औसत सफलता दर प्राप्त की, जो बेसलाइन $\pi_0$ (29.4%) से बेहतर है, जिसमें लॉन्ग-होराइजन और रीजनिंग-इंटेंसिव कार्यों में महत्वपूर्ण बढ़त मिली।
- RoboTwin 2.0: "हार्ड" (डोमेन-रैंडमाइज्ड) सेटिंग्स में, GeCO ने सफलता दर को 18% से बढ़ाकर 28% कर दिया, जो विजुअल और फिजिकल परटर्बेशन्स के प्रति बेहतर मजबूती दर्शाता है।
OOD डिटेक्शन:
- GeCO ने इन-डिस्ट्रीब्यूशन और आउट-ऑफ-डिस्ट्रीब्यूशन कार्यों के बीच अंतर करने में 0.93 का AUROC प्राप्त किया, जो बेसलाइन लॉस-आधारित संकेतों (AUROC 0.53) से काफी बेहतर है।
- इसने OOD एपिसोड्स पर जल्दी समाप्ति को ट्रिगर करके 44.3% समय की बचत की।
वास्तविक दुनिया में परिनियोजन (Galaxea R1 Lite):
- उच्च-परिशुद्धता कार्यों (Nut Assembly, Chemistry Tube Arrangement) पर, GeCO ने क्रमशः 70% और 80% सफलता दर प्राप्त की, जबकि बेसलाइन के लिए यह 10% और 20% थी।
- इसने काफी कम औसत NFE (5.1–6.2 बनाम फिक्स्ड 10.0) के साथ ये लाभ प्राप्त किए, जो असंरचित भौतिक वातावरण में दक्षता की पुष्टि करता है।

5. महत्व (Significance)

GeCO वर्तमान जेनेरेटिव मॉडल्स की "ब्लाइंड इंटीग्रेशन" बाधा को संबोधित करके रोबोटिक कंट्रोल में एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है।

दक्षता: यह रोबोट को कंप्यूटेशनल रूप से कुशल बनाता है, जिससे वे संसाधनों का उपयोग केवल वहीं करते हैं जहाँ आवश्यक हो।
सुरक्षा: यह एक अंतर्निहित, ज़ीरो-शॉट सुरक्षा तंत्र पेश करता है जो असंरचित, वास्तविक दुनिया के वातावरण में तैनात रोबोटों के लिए महत्वपूर्ण है, जहाँ विसंगतियों का पता लगाना सर्वोपरि है।
सामान्यीकरण (Generalization): फाउंडेशन मॉडल्स (VLA) के साथ स्केल करने की इसकी क्षमता और डोमेन-रैंडमाइज्ड सेटिंग्स में प्रदर्शन में सुधार, स्वायत्त रोबोटों की अगली पीढ़ी के लिए एक मजबूत समाधान का सुझाव देता है।

यह कार्य जेनेरेटिव कंट्रोल को एक अनुकूलन समस्या (optimization problem) के रूप में मौलिक रूप से पुनर्परिभाषित करता है, जो समय-कंडीशनड डिफ्यूजन और फ्लो मैचिंग का अधिक अनुकूल, सुरक्षित और कुशल विकल्प प्रदान करता है।