MeanFlow Meets Control: Scaling Sampled-Data Control for Swarms

यहाँ शोध पत्र "MeanFlow Meets Control: Scaling Sampled-Data Control for Swarms" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र एक प्रारंभिक संभाव्यता वितरण ($\rho_0$) से लक्ष्य वितरण ($\rho_0$) तक बड़े पैमाने पर स्वार्म्स (जैसे, रोबोट, स्वायत्त वाहन) को निर्देशित करने की चुनौती को संबोधित करता है, जिसमें सैंपल्ड-डेटा कंट्रोल (sampled-data control) का उपयोग किया जाता है।

• मुख्य संघर्ष (The Core Conflict): पारंपरिक जनरेटिव मॉडल (जैसे Flow Matching) तात्कालिक वेग क्षेत्र ($v_t$) सीखते हैं जो अनंत सूक्ष्म समय चरणों (infinitesimal time steps) को मानते हैं। हालाँकि, वास्तविक दुनिया के नियंत्रण प्रणालियाँ सैंपल्ड-डेटा शासन में कार्य करती हैं: जहाँ नियंत्रण इनपुट को असतत अंतरालों (discrete intervals) पर अपडेट किया जाता है और एक निश्चित विंडो के दौरान स्थिर रखा जाता है।
• परिणाम (The Consequence): "कुछ-चरणों वाले" (few-step) नियंत्रण परिदृश्यों में (जहाँ अपडेट के बीच बड़े समय अंतराल होते हैं), तात्कालिक वेग और एक परिमित-विंडो (finite-window) नियंत्रण के बीच का बेमेलपन महत्वपूर्ण विविक्तकरण त्रुटियों (discretization errors) और अस्थिरता का कारण बनता है।
• लक्ष्य (The Goal): एक ऐसा लर्निंग फ्रेमवर्क विकसित करना जो सैंपल्ड-डेटा संरचना का सम्मान करे, और एक ऐसी मात्रा सीखे जो सूक्ष्म चरणों के बजाय परिमित-क्षितिज (finite-horizon) नियंत्रण अपडेट के साथ स्वाभाविक रूप से संगत हो।

2. कार्यप्रणाली (Methodology)

लेखक लीनियर टाइम-इनवेरिएंट (LTI) स्वार्म डायनेमिक्स के लिए अनुकूलित एक कंट्रोल-स्पेस मीनफ्लो (Control-Space MeanFlow) फ्रेमवर्क प्रस्तावित करते हैं।

A. सिस्टम डायनेमिक्स (System Dynamics)

स्वार्म को एक लीनियर सिस्टम द्वारा मॉडल किया गया है:
$$\dot{z}(\tau) = Az(\tau) + Bu(\tau)$$
जहाँ $z$ अवस्था (state) है, $u$ नियंत्रण इनपुट है, और $(A, B)$ फिक्स्ड मैट्रिसेस (matrices) हैं। सिस्टम को नियंत्रणीय (controllable) माना गया है।

B. सीखी गई वस्तु: इंटरवल कोएफिशिएंट (The Learned Object: Interval Coefficient)

एक तात्कालिक वेग $v(z, t)$ सीखने के बजाय, मॉडल एक परिमित-क्षितिज न्यूनतम-ऊर्जा स्टीयरिंग कोएफिशिएंट (finite-horizon minimum-energy steering coefficient) सीखता है, जिसे $c_\theta(z_t, t, r)$ के रूप में दर्शाया गया है।

• परिभाषा: समय अंतराल $[t, r]$ के लिए, $z_t$ से $z_r$ तक जाने वाला इष्टतम नियंत्रण (optimal control) जो न्यूनतम ऊर्जा का उपयोग करता है, उसे इस प्रकार दिया जाता है:
  $$u^*(\tau) = B^\top \Phi(r, \tau)^\top c(z_t, t, r)$$
  जहाँ $\Phi$ स्टेट ट्रांजिशन मैट्रिक्स है।
• कोएफिशिएंट: वेक्टर $c$ को कंट्रोलेबिलिटी ग्रैमियन (Controllability Gramian) $W(t, r)$ से प्राप्त किया जाता है:
  $$c(z_t, t, r) = W(t, r)^{-1} (z_r - \Phi(r, t)z_t)$$
  यह एकल वेक्टर $c$ पूरे अंतराल $[t, r]$ के लिए इष्टतम नियंत्रण प्रोफाइल को पूरी तरह से पैरामीटराइज़ करता है।

C. ब्रिज सुपरविजन के माध्यम से प्रशिक्षण (Training via Bridge Supervision)

फ्रेमवर्क $\rho_0$ और $\rho_1$ के नमूनों को जोड़ने वाले एक "ब्रिज" निर्माण का उपयोग करता है।

1. ब्रिज ट्रजेक्टरी (Bridge Trajectory): क्षितिज $[0, 1]$ पर $z_0$ और $z_1$ के बीच एक न्यूनतम-ऊर्जा पथ बनाया जाता है।
2. लोकल डिफरेंशियल आइडेंटिटी (Local Differential Identity): लेखक ब्रिज के साथ एक अंतराल कोएफिशिएंट $c$ और स्थानीय मात्राओं के बीच संबंध स्थापित करने वाली एक प्रमुख पहचान (identity) व्युत्पन्न करते हैं। ब्रिज के सापेक्ष $c$ के इंटीग्रल रिप्रेजेंटेशन का $t$ के संबंध में अवकलन (differentiation) करके, वे एक रेसिड्यूल समीकरण प्राप्त करते हैं:
   $$\frac{d}{dt}c(z_t, t, r) \approx \text{local velocity } v(z_t, t) \text{ का एक फलन}$$
3. लॉस फंक्शन (Loss Function): मॉडल $c_\theta$ को इस प्रकार प्रशिक्षित किया जाता है कि वह इस डिफरेंशियल आइडेंटिटी को लीस्ट-स्क्वायर सेंस में संतुष्ट करे। महत्वपूर्ण रूप से, प्रशिक्षण लक्ष्य में एक स्टॉप-ग्रेडिएंट (stop-gradient) ऑपरेटर शामिल है, जो स्थिर वन-साइडेड रिग्रेशन सुनिश्चित करता है, जैसा कि MeanFlow में होता है।
   $$\mathcal{L}(\theta) = \mathbb{E} \left\| R_\theta(z_t, t, r) \right\|^2$$
   जहाँ $R_\theta$ अनुमानित कोएफिशिएंट के विकास और स्थानीय ब्रिज डायनेमिक्स के बीच का रेसिड्यूल है।

D. कार्यान्वयन (Implementation/Sampling)

अनुमान (inference) के दौरान, ब्रिज को हटा दिया जाता है। नियंत्रक एक सैंपल्ड-डेटा स्टेट-फीडबैक के रूप में कार्य करता है:

1. डिस्क्रीट समय $t_k$ पर, वर्तमान अवस्था $z_k$ को देखें।
2. नेटवर्क को क्वेरी करके कोएफिशिएंट $c_k = c_\theta(z_k, t_k, t_{k+1})$ प्राप्त करें।
3. $\tau \in [t_k, t_{k+1}]$ के लिए नियंत्रण सिग्नल $u(\tau) = B^\top \Phi(t_{k+1}, \tau)^\top c_k$ लागू करें।
4. अवस्था को विश्लेषणात्मक रूप से (analytically) $z_{k+1}$ तक प्रोपेगेट करें।

3. मुख्य योगदान (Key Contributions)

1. कंट्रोल-स्पेस मीनफ्लो (Control-Space MeanFlow): यह शोध पत्र सफलतापूर्वक MeanFlow की अवधारणा (विंडो-स्तर की मात्राओं को सीखना) को लीनियर कंट्रोल थ्योरी के विशिष्ट बाधाओं के अनुकूल बनाता है। यह सीखने के लक्ष्य को स्टेट-स्पेस वेलोसिटी से बदलकर कंट्रोल-स्पेस कोएफिशिएंट कर देता है।
2. सैद्धांतिक निरंतरता (Theoretical Consistency):
   • लेम्मा 1 (Lemma 1): सिद्ध करता है कि जब $A=0, B=I$ हो, तो यह फॉर्मूलेशन ठीक से मानक MeanFlow में बदल जाता है।
   • लेम्मा 2 (Additivity): यह प्रदर्शित करता है कि एक लंबे अंतराल पर स्टीयरिंग क्रिया को बिना डायनेमिक कंसिस्टेंसी खोए, क्रमिक छोटे अंतरालों में विभाजित किया जा सकता है, जिससे यह सुनिश्चित होता है कि विधि मल्टी-स्टेप प्रोपेगेशन के लिए काम करती है।
3. सैंपल्ड-डेटा नेटिव डिज़ाइन (Sampled-Data Native Design): सीखा गया कोएफिशिएंट केवल एक ट्रेनिंग आर्टिफैक्ट नहीं है; यह वह सटीक मात्रा है जिसका उपयोग कार्यान्वयन में किया जाता है। यह गारंटी देता है कि निर्धारित डायनेमिक्स और एक्चुएशन मैप्स का पालन किया जाता है, जिससे वह "बेमेल" त्रुटि समाप्त हो जाती है जो कंट्रोल में मानक फ्लो मैचिंग के साथ सामान्य है।
4. मजबूती (Robustness): क्योंकि कोएफिशिएंट वर्तमान अवस्था $z_k$ पर निर्भर करता है, नियंत्रक प्रसार (propagation) के दौरान गड़बड़ी या कण हानि (particle loss) के प्रति स्वाभाविक रूप से अनुकूल होता है (क्लोज्ड-लूप व्यवहार), भले ही प्रशिक्षण ओपन-लूप ब्रिज का उपयोग करके किया गया हो।

4. परिणाम (Results)

लेखक PyTorch में संख्यात्मक प्रयोगों के माध्यम से फ्रेमवर्क को मान्य करते हैं:

• 2D प्लानर नेविगेशन (2D Planar Navigation):
  • कार्य: एक स्वार्म को "AYKJ" आकार से "DCJK" आकार में बदलना।
  • निष्कर्ष: विधि ड्रिफ्ट-फ्री डायनेमिक्स और रोटेशनल ड्रिफ्ट ($A \neq 0$) वाले सिस्टम दोनों को सफलतापूर्वक संभालती है। रोटेशनल केस में, सीखा गया ट्रांसपोर्ट प्लान ड्रिफ्ट के कारण होने वाले 90° रोटेशन को समायोजित करने के लिए पार्टिकल कॉरेस्पोंडेंस को सही ढंग से अनुकूलित करता है, जबकि एक साधारण दृष्टिकोण विफल हो जाएगा।
• 3D स्पेशियल मैन्युवरिंग (3D Spatial Maneuvering):
  • कार्य: 3D स्पेस में एक पिरामिड डिस्ट्रीब्यूशन को टोरस (torus) डिस्ट्रीब्यूशन में बदलना।
  • निष्कर्ष: मॉडल विभिन्न ड्रिफ्ट स्थितियों (प्लेनर रोटेशन बनाम 3D रोटेशन) के तहत जटिल ज्यामितीय पुनर्गठन (हॉलो सेंटर बनाना) को सफलतापूर्वक नेविगेट करता है। 3D रोटेशनल ड्रिफ्ट मध्यवर्ती ज्यामिति को काफी बदल देता है, और मॉडल लक्ष्य तक पहुँचने के लिए आवश्यक गैर-तुच्छ (non-trivial) पथों को सही ढंग से सीखता है।
• प्रदर्शन (Performance): विधि केवल 16 डिस्क्रीट कंट्रोल स्टेप्स का उपयोग करके उच्च-गुणवत्ता वाला डिस्ट्रीब्यूशन मैचिंग प्राप्त करती है, जो फ्यू-स्टेप कंट्रोल के लिए स्केलेबिलिटी प्रदर्शित करती है।

5. महत्व (Significance)

यह शोध पत्र जनरेटिव एआई (Flow Matching) और कंट्रोल थ्योरी (Sampled-Data Control) के बीच एक महत्वपूर्ण अंतर को पाटता है।

• व्यावहारिक प्रासंगिकता: यह वास्तविक दुनिया के स्वार्म कंट्रोल के लिए एक स्केलेबल समाधान प्रदान करता है जहाँ उच्च-आवृत्ति अपडेट संभव या कुशल नहीं हैं।
• सैद्धांतिक अंतर्दृष्टि: यह स्थापित करता है कि लीनियर सिस्टम के लिए, सीखने योग्य "प्राकृतिक" वस्तु वेग क्षेत्र नहीं है, बल्कि एक परिमित विंडो पर न्यूनतम-ऊर्जा नियंत्रण का कोएफिशिएंट है।
• भविष्य की दिशाएं: यह फ्रेमवर्क मीनफ्लो को नॉन-लीनियर डायनेमिक्स, कंस्ट्रेंड कंट्रोल और कोर्स-टाइम निष्पादन के तहत स्थिरता विश्लेषण तक विस्तारित करने के मार्ग खोलता है, जो वर्तमान LTI धारणा से आगे बढ़ता है।

संक्षेप में, MeanFlow Meets Control न्यूनतम नियंत्रण अपडेट के साथ बड़े स्वार्म्स को निर्देशित करने के लिए एक सिद्धांत-आधारित, गणितीय रूप से कठोर और व्यावहारिक रूप से लागू करने योग्य फ्रेमवर्क प्रदान करता है, यह सुनिश्चित करते हुए कि सीखी गई पॉलिसी वास्तविक दुनिया के एक्ट्यूएटर्स की डिस्क्रीट प्रकृति के साथ स्वाभाविक रूप से संगत है।