🤖 AI

ProgressVLA: Progress-Guided Diffusion Policy for Vision-Language Robotic Manipulation

यह शोध पत्र ProgressVLA को प्रस्तुत करता है, जो एक नवीन विजन-लैंग्वेज-एक्शन मॉडल है जो लॉन्ग-होराइजन कार्यों में रोबोटिक मैनिपुलेशन को बढ़ाने के लिए एक प्री-ट्रेन्ड प्रोग्रेस एस्टिमेटर को डिफरेंशिएबल गाइडेंस मैकेनिज्म के साथ एकीकृत करता है ताकि ह्यूरिस्टिक-आधारित टर्मिनेशन की सीमाओं को दूर किया जा सके और सफलता दर एवं सामान्यीकरण में महत्वपूर्ण सुधार किया जा सके।

मूल लेखक: Hongyu Yan, Qiwei Li, Jiaolong Yang, Yadong Mu

प्रकाशित 2026-03-31

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Hongyu Yan, Qiwei Li, Jiaolong Yang, Yadong Mu

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 सैंडविच बनाना सिखा रहे हैं। आप उसे एक सरल कमांड देते हैं: "पीनट बटर और जेली का सैंडविच बनाओ।"

वर्तमान के अधिकांश रोबोट दिमाग (जिन्हें विज़न-लैंग्वेज-एक्शन मॉडल्स कहा जाता है) उन छात्रों की तरह हैं जो निर्देशों का चरण-दर-चरण पालन करने में बहुत अच्छे हैं लेकिन उनमें समय या प्रगति का कोई बोध नहीं है। वे ब्रेड उठा सकते हैं, फिर काफी देर तक उसे देखते रह सकते हैं, फिर चाकू उठा सकते हैं, फिर चाकू नीचे रख सकते हैं, फिर उसे दोबारा उठा सकते हैं, और... वे तब तक रैंडम चीजें करते रहते हैं जब तक कि वे गलती से सैंडविच पूरा नहीं कर लेते। उन्हें यह नहीं पता होता कि वे 10% पूरे हो चुके हैं या 90%। वे केवल यह जानते हैं कि वे पूरी तरह से कब खत्म हो गए, और उन्हें अक्सर यह भी नहीं पता होता कि कब रुकना है, जिससे समय बर्बाद होता है या टोस्ट टूट जाता है।

यह पेपर ProgressVLA पेश करता है, जो रोबोट को सिखाने का एक नया तरीका है जो एक स्मार्ट GPS और ETA (अनुमानित आगमन समय) देने जैसा है।

यह कैसे काम करता है, इसे सरल अवधारणाओं में यहाँ दिया गया है:

1. समस्या: "रसोई में खोया हुआ" रोबोट

वर्तमान रोबोट एक अंधेरे कमरे में टॉर्च लेकर चलने वाले व्यक्ति की तरह हैं। वे अपने ठीक सामने की वस्तु (ब्रेड, चाकू) को देख सकते हैं, लेकिन वे लक्ष्य तक पहुँचने वाले पूरे रास्ते को नहीं देख सकते। वे अनुमान पर निर्भर करते हैं। यदि वे फंस जाते हैं, तो वे गोल-गोल घूम सकते हैं या एक ही हरकत को बार-बार दोहरा सकते हैं क्योंकि उनके पास यह मापने का कोई तरीका नहीं है कि, "हे, मैं वास्तव में लक्ष्य के करीब पहुँच रहा हूँ!"

2. समाधान: "प्रगति GPS" (Progress GPS)

लेखकों ने एक विशेष टूल बनाया है जिसे प्रगति अनुमानक (Progress Estimator) कहा जाता है। इसे एक स्मार्ट सहायक की तरह समझें जो रोबोट के बगल में बैठा है और वह जो कुछ भी करता है उसे देख रहा है।

यह क्या करता है: यह रोबोट के वर्तमान दृश्य और मूल निर्देश को देखता है।
यह क्या कहता है: यह रोबोट को 0 से 100% का स्कोर देता है।
- 0%: "आपने अभी शुरू नहीं किया है।"
- 50%: "आपके पास ब्रेड और चाकू है, लेकिन अभी तक कुछ फैलाया नहीं गया है।"
- 95%: "आप बस ब्रेड का अंतिम टुकड़ा ऊपर रख रहे हैं!"

यह सहायक हजारों वीडियो पर प्रशिक्षित है जिनमें मनुष्यों को कार्य करते हुए दिखाया गया है, इसलिए यह जानता है कि "प्रगति" कैसी दिखती है, भले ही रोशनी बदल जाए या वस्तुएं अलग हों।

3. जादू: "जहाज को दिशा देना" (Classifier Guidance)

यह सबसे दिलचस्प हिस्सा है। आमतौर पर, रोबोट अपनी गतिविधियों को "सपनों" में संभावनाओं को जन्म देकर और एक को चुनकर उत्पन्न करते हैं। यह अगले कदम के लिए निर्णय लेने के लिए पासा फेंकने जैसा है।

ProgressVLA के साथ, रोबोट केवल पासा नहीं फेंकता। वह हिलने से पहले प्रगति GPS से सलाह मांगता है।

उपमा: कल्पना कीजिए कि आप एक भूलभुलैया से बाहर निकलने का रास्ता खोज रहे हैं।
- पुराना तरीका: आप एक रैंडम गलियारा चुनते हैं, उसमें चलते हैं, एक डेड एंड (बंद रास्ता) पर टकराते हैं, और वापस आ जाते हैं।
- ProgressVLA तरीका: हर बार जब आप एक गलियारा चुनने जा रहे होते हैं, तो आप अपने GPS से पूछते हैं, "यदि मैं बाईं ओर जाता हूँ, तो मैं निकास के कितने करीब होऊँगा?" GPS कहता है, "बाईं ओर जाने से आप 20% करीब पहुँचेंगे; दाईं ओर जाने से आप 5% करीब पहुँचेंगे।"
- परिणाम: रोबोट स्वाभाविक रूप से अपनी गतिविधियों को उस पथ की ओर "स्टीयर" (दिशा देना) करता है जो उसके प्रगति स्कोर को बढ़ाता है। वह डेड एंड पर समय बर्बाद करना बंद कर देता है।

4. "वर्ल्ड मॉडल": रोबोट की कल्पना

GPS से सलाह लेने के लिए, रोब गए रोबोट को यह जानना आवश्यक है कि आगे क्या होगा।

रोबोट के पास एक वर्ल्ड मॉडल (एक मानसिक सिम्युलेटर) होता है।
अपना हाथ चलाने से पहले, वह अपने दिमाग में उस हरकत की कल्पना करता है।
वह GPS से पूछता है: "यदि मैं अपना हाथ इस तरह चलाता हूँ, तो क्या मेरा प्रगति स्कोर बढ़ेगा?"
यदि उत्तर "हाँ" है, तो वह वह हरकत करता है। यदि उत्तर "नहीं" है, तो वह एक अलग काल्पनिक हरकत आज़माता है।

यह उसे चीजों से टकराए बिना या समय बर्बाद किए बिना आगे की योजना बनाने की अनुमति देता है।

5. वास्तविक दुनिया के परिणाम

शोधकर्ताओं ने वास्तविक रोबोटों पर कई कार्यों को करके इसका परीक्षण किया जैसे:

दराज खोलना।
कटोरे एक के ऊपर एक रखना।
प्लेट पर फल रखना।

परिणाम प्रभावशाली थे:

तेज़: रोबोट ने कम चरणों में कार्य पूरे किए (जैसे गोल-गोल घूमने के बजाय शॉर्टकट लेना)।
स्मार्ट: वे काम खत्म होते ही ठीक उसी समय रुक गए, न कि बाद में फालतू हाथ-पैर मारते रहे।
मजबूत (Robust): यहाँ तक कि जब रोशनी बदली या उन्होंने अलग फल (जैसे सेब के बजाय संतरा) का उपयोग किया, तब भी "प्रगति GPS" काम करता रहा क्योंकि उसने विशिष्ट वस्तुओं को नहीं, बल्कि प्रगति की अवधारणा को सीखा था।

सारांश

ProgressVLA एक रोबोट को यह बताने जैसा है कि वह "कितना आगे तक" पहुँच गया है। केवल वर्तमान में जो देख रहा है उस पर प्रतिक्रिया करने के बजाय, वह लगातार अपने प्रगति स्कोर की जाँच करता है और अपनी क्रियाओं को निर्देशित करता है ताकि उसका स्कोर बढ़ सके। यह एक ऐसे रोबोट को, जो अंधेरे में लड़खड़ा रहा था, एक केंद्रित कार्यकर्ता में बदल देता है जिसे पता है कि कुशलतापूर्वक फिनिश लाइन तक कैसे पहुँचना है।

यहाँ "Progress-Guided Diffusion Policy for Vision-Language Robotic Manipulation" (ProgressVLA) पेपर का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

रोबोटिक हेरफेर (manipulation) के लिए वर्तमान विजन-लैंग्वेज-एक्शन (VLA) मॉडल लॉन्ग-होरिज़न कार्यों (long-horizon tasks) में महत्वपूर्ण चुनौतियों का सामना करते हैं:

प्रगति जागरूकता की कमी (Lack of Progress Awareness): अधिकांश मौजूदा मॉडल कार्य समाप्ति के लिए हस्तनिर्मित ह्यूरिस्टिक्स (heuristics) या अस्पष्ट, शोर वाले लक्ष्य-संतोष संकेतों पर निर्भर करते हैं। उनमें इस बात की स्पष्ट समझ की कमी है कि रोबोट कार्य पूरा करने के कितने करीब है।
अकुशल सैंपलिंग (Inefficient Sampling): जनरेटिव प्लानर्स (जैसे डिफ्यूजन पॉलिसी) अक्सर ऐसे प्रक्षेपवक्र (trajectories) उत्पन्न करते हैं जो दृश्य रूप से तो सही लग सकते हैं लेकिन कार्य के लिए अप्रासंगिक होते हैं, क्योंकि वे केवल कंडीशनिंग द्वारा संचालित होते हैं और उनमें लक्ष्य पूर्ति की ओर निर्देशित करने वाली कोई प्रणाली नहीं होती।
भंगुर समाप्ति (Brittle Termination): एक सिद्धांत-आधारित प्रगति संकेत के बिना, पॉलिसियाँ अक्सर यह नहीं जान पातीं कि कब रुकना है, जिससे अनावश्यक गतियाँ या समय से पहले समाप्ति होती है।
सामान्यीकरण संबंधी मुद्दे (Generalization Issues): कच्चे पिक्सेल (raw pixels) से सीधे प्रगति सीखना कठिन है क्योंकि इसमें व्यवधान परिवर्तन (जैसे कैमरा जिटर, लाइटिंग, डिस्ट्रैक्टर्स) होते हैं, जिससे शोर वाले प्रगति संकेत उत्पन्न होते हैं।

2. कार्यप्रणाली: ProgressVLA (Methodology)

लेखक ProgressVLA का प्रस्ताव करते हैं, जो एक प्रगति अनुमानक (progress estimator) को एक डिफरेंशिएबल पाइपलाइन के माध्यम से सीधे एक डिफ्यूजन पॉलिसी (diffusion policy) में एकीकृत करता है। सिस्टम मजबूती और सामान्यीकरण सुनिश्चित करने के लिए एक लेटेंट एक्शन स्पेस (latent action space) में कार्य करता है।

मुख्य घटक (Core Components)

प्रगति अनुमानक (Progress Estimator - Vision-Language Evaluator):
- कार्य: एक रिग्रेसर जो एक भाषा निर्देश ( $l$ ), एक प्रारंभिक अवलोकन ( $o_0$ ), और एक वर्तमान अवलोकन ( $o_t$ ) को लेता है और एक सामान्यीकृत स्केलर प्रगति स्कोर $p \in [0, 1]$ आउटपुट करता है।
- प्रशिक्षण: इसे बड़े पैमाने के अनसुपरवाइज्ड वीडियो-टेक्स्ट डेटासेट (Open X-Embodiment) पर 'नॉर्मलाइज्ड टाइमस्टेप' को ग्राउंड-ट्रुथ प्रगति के प्रॉक्सी के रूप में उपयोग करके प्री-ट्रेन किया गया है। इसे विशिष्ट डेटासेट्स (LIBERO, CALVIN) और वास्तविक दुनिया के डेटा पर फाइन-ट्यून किया गया है।
- आर्किटेक्चर: यह विजुअल फीचर्स के लिए DINOv2 और टेक्स्ट के लिए CLIP का उपयोग करता है, जिसे भाषा को विजुअल स्टेट परिवर्तनों के साथ संरेखित करने के लिए एक क्रॉस-अटेंशन स्टैक के माध्यम से प्रोसेस किया जाता है।
एक्शन-ओरिएंटेड वर्ल्ड मॉडल (Action-Oriented World Model):
- कार्य: एक इनवर्स डायनेमिक्स मॉडल (IDM) और फॉरवर्ड डायनेमिक्स मॉडल (FDM) जो लेटेंट विजुअल फीचर स्पेस (पिक्सेल स्पेस नहीं) में कार्य करता है।
- तंत्र:
  - इनवर्स डायनेमिक्स: $o_t$ और $o_{t+N}$ के बीच के ट्रांजिशन को एक लेटेंट एक्शन $a_z$ में एनकोड करता है।
  - फॉरवर्ड डायनेमिक्स: वर्तमान फीचर्स और लेटेंट एक्शन के आधार पर भविष्य के विजुअल फीचर्स $\hat{o}_{t+N}$ की भविष्यवाणी करता है।
- उद्देश्य: यह सिस्टम को किसी भी कैंडिडेट एक्शन चंक (action chunk) को निष्पादित करने से पहले उसके परिणाम की कल्पना करने की अनुमति देता है।
प्रगति-निर्देशित डिफ्यूजन पॉलिसी (Progress-Guided Diffusion Policy):
- दो-चरणीय पीढ़ी (Two-Stage Generation):
  1. लेटेंट एक्शन एक्सपर्ट: एक डिफ्यूजन मॉडल एक हाई-लेवल स्ट्रैटेजी का प्रतिनिधित्व करने वाले लेटेंट एक्शन्स ( $a_z$ ) का एक कैंडिडेट चंक जेनरेट करता है।
  2. एक्शन डिकोडर: $a_z$ को लो-लेवल रोबोट कमांड में डिकोड करता है।
- क्लासिफायर गाइडेंस (Classifier Guidance - CG): यह मुख्य नवाचार है। डिफ्यूजन डिनोइज़िंग प्रक्रिया के दौरान:
  - वर्ल्ड मॉडल एक नॉइज़ी लेटेंट सैंपल $x_\tau$ के लिए भविष्य की स्थिति $\hat{o}_{t+N}$ की भविष्यवाणी करता है।
  - प्रगति अनुमानक इस भविष्य की स्थिति का मूल्यांकन करके एक अनुमानित प्रगति स्कोर $\hat{p}_{t+N}$ प्राप्त करता है।
  - प्रगति स्कोर के ग्रेडिएंट्स को वर्ल्ड मॉडल के माध्यम से लेटेंट एक्शन सैंपल तक बैकप्रोपैगेट किया जाता है।
  - अपडेट नियम को संशोधित किया जाता है: $x_{\tau-1} = \mu_\theta + s \nabla_{x_\tau} \hat{p}_{t+N} + \text{noise}$ ।
- परिणाम: सैंपलिंग प्रक्रिया को उन एक्शन चंक्स की ओर निर्देशित किया जाता है जो कार्य की प्रगति को अधिकतम करने की भविष्यवाणी करते हैं।
RL फाइनट्यूनिंग (RL Finetuning):
- सिस्टम को ऑनलाइन अनुभव का उपयोग करके और अधिक परिष्कृत किया जाता है।
- मोनोटोनिसिटी लॉस (Monotonicity Loss): यदि सफल ट्राजेक्टरीज में अनुमानित प्रगति समय के साथ घटती है, तो यह प्रगति अनुमानक को दंडित करता है।
- KL-रेगुलराइज्ड पॉलिसी इम्प्रूवमेंट: डिफ्यूजन पॉलिसी को मूल वितरण के करीब रहते हुए उन एक्शन्स की संभावना बढ़ाने के लिए समायोजित करता है जो उच्च प्रगति स्कोर प्रदान करते हैं।

3. प्रमुख योगदान (Key Contributions)

मजबूत प्रगति अनुमान (Robust Progress Estimation): एक प्री-ट्रेन किया गया, विजन-लैंग्वेज कंडिशन वाला प्रगति अनुमानक जो कम प्रेडिक्शन रेसिडुअल (CALVIN पर 0.07, वास्तविक दुनिया में 0.1) प्राप्त करता है और ट्रांसफर लर्निंग के माध्यम से अनदेखे वास्तविक दुनिया के परिदृश्यों में सामान्यीकरण करता है।
डिफरेंशिएबल प्रोग्रेस गाइडेंस (Differentiable Progress Guidance): एक अभिनव पाइपलाइन जो एक इनवर्स डायनेमिक्स वर्ल्ड मॉडल का उपयोग करती है ताकि लेटेंट एक्शन्स को भविष्य की स्थितियों में मैप किया जा सके, जिससे डिफ्यूजन सैंपलिंग को निर्देशित करने के लिए प्रोग्रेस ग्रेडिएंट्स का उपयोग संभव हो सके।
एंड-टू-एंड फ्रेमवर्क (End-to-End Framework): प्रगति अनुमान, वर्ल्ड मॉडलिंग और डिफ्यूजन पॉलिसियों को एक एकीकृत प्रणाली में एकीकृत करना जो प्रगति सिग्नल के लिए घने (dense) एक्शन लेबल की आवश्यकता के बिना सफलता दर और निष्पादन दक्षता दोनों में सुधार करता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

बेंचमार्क्स (सिमुलेशन)

CALVIN (लॉन्ग-होरिज़न हेरफेर):
- ProgressVLA (Full) ने लगातार 5 सब-टास्क पूरे करने के लिए 52.0% सफलता दर हासिल की, जो बेसलाइन डिफ्यूजन पॉलिसी (41.2%) और मजबूत बेसलाइन जैसे GR-MG (4-इन-अ-रो के लिए 64.4%, लेकिन 5 के लिए कम) से बेहतर है।
- प्रगति संरेखण (Progress Alignment): प्रेडिक्टेड प्रोग्रेस और लीनियर रैंप के बीच पियर्सन सहसंबंध (Pearson correlation) बिना गाइडेंस के 0.722 से बढ़कर गाइडेंस के साथ 0.934 हो गया।
- दक्षता (Efficiency): औसत पूर्णता चरण (steps to completion) 90.4 से घटकर 77.3 हो गए।
LIBERO (नॉलेज ट्रांसफर):
- चुनौतीपूर्ण LIBERO-LONG स्प्लिट पर, ProgressVLA (Full) ने 66.2% सफलता प्राप्त की, जो OpenVLA (53.7%) और Dita (63.8%) से काफी बेहतर है।
- सभी सबसेट्स में कुल औसत सफलता दर 84.5% तक पहुँच गई।

वास्तविक दुनिया में तैनाती (Real-World Deployment)

सेटअप: ARX AC-One ड्यूल-आर्म रोबोट, RGB-D कैमरों के साथ।
कार्य: 5 कार्य जिनमें "Peach उठाना", "Drawer खोलना" और "Bowls को स्टैक करना" शामिल हैं।
परिणाम:
- सफलता दर: Octo बेसलाइन के 23% से सुधरकर ProgressVLA (गाइडेंस के साथ) में 76% हो गई।
- दक्षता: औसत एंड-इफेक्टर ट्रैवल डिस्टेंस 1.30 मीटर से घटकर 0.81 मीटर और स्टेप्स 187.9 से घटकर 53.3 हो गए।
- सामान्यीकरण: प्री-ट्रेन + फाइन-ट्यून्ड प्रोग्रेस एस्टीमेटर ने लाइटिंग शिफ्ट और नए ऑब्जेक्ट्स के तहत उच्च सटीकता (Pearson > 0.95) बनाए रखी, जबकि स्क्रैच से प्रशिक्षित मॉडल विफल रहे (Pearson ~0.81, स्टॉप रिलायबिलिटी ~37%)।

5. महत्व और प्रभाव (Significance and Impact)

लॉन्ग-होरिज़न प्लानिंग को हल करना: ProgressVLA उस महत्वपूर्ण अंतर को पाटता है जहाँ पारंपरिक VLA मॉडल लॉन्ग-होरिज़न कार्यों में संघर्ष करते हैं, विशेष रूप से समाप्ति (termination) और लक्ष्य-केंद्रित होने में।
डेटा दक्षता: प्रगति अनुमानक के लिए बड़े पैमाने पर प्री-ट्रेनिंग का लाभ उठाकर, यह विधि न्यूनतम वास्तविक दुनिया के फाइन-ट्यूनिंग डेटा के साथ मजबूत प्रदर्शन प्राप्त करती है।
विश्वसनीय समाप्ति (Reliable Termination): स्पष्ट प्रगति संकेत एक सिद्धांत-आधारित, थ्रेशोल्ड-आधारित समाप्ति मानदंड प्रदान करता है, जिससे भंगुर, हस्तनिर्मित ह्यूरिस्टिक्स की आवश्यकता समाप्त हो जाती है।
सामान्यीकरण: लेटेंट एक्शन स्पेस और ऑब्जेक्ट-सेंट्रिक विजुअल फीचर्स का उपयोग सिस्टम को डोमेन शिफ्ट (लाइटिंग, नए ऑब्जेक्ट्स) को प्रभावी ढंग से संभालने की अनुमति देता है, जिससे यह वास्तविक दुनिया की रोबोटिक तैनाती के लिए एक व्यवहार्य विकल्प बन जाता है।

संक्षेप में, ProgressVLA यह प्रदर्शित करता है कि एक जनरेटिव डिफ्यूजन फ्रेमवर्क के भीतर कार्य प्रगति को स्पष्ट रूप से मॉडल करना और निर्देशित करना जटिल, लॉन्ग-होरिज़न परिदृश्यों में रोबोटिक हेरफेर की विश्वसनीयता, दक्षता और सफलता दर को महत्वपूर्ण रूप से बढ़ाता है।