StarVLA: A Lego-like Codebase for Vision-Language-Action Model Developing
StarVLA एक व्यापक, ओपन-सोर्स और मॉड्यूलर कोडबेस है जिसे विविध बैकबोन और एक्शन-डिकोडिंग प्रतिमानों को पुन: प्रयोज्य प्रशिक्षण रणनीतियों और एक मानकीकृत मूल्यांकन इंटरफ़ेस के साथ एकीकृत करके विजन-लैंग्वेज-एक्शन (VLA) अनुसंधान को एकीकृत करने के लिए डिज़ाइन किया गया है, ताकि पुनरुत्पादकता को बढ़ाया जा सके और सामान्यज्ञ एम्बॉडीड एजेंटों के विकास में तेजी लाई जा सके।
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 यूनिवर्सल रोबोट शेफ बनाने की कोशिश कर रहे हैं जो कुछ भी, कहीं भी, किसी भी रेसिपी के साथ बना सके।
अभी, "एम्बॉडीड एआई" (Embodied AI - वे रोबोट जो देख सकते हैं, सोच सकते हैं और हिल-डुल सकते हैं) की दुनिया थोड़ी अराजक है। यह एक ऐसी रसोई की तरह है जहाँ हर शेफ के पास अपने अनूठे औजार हैं, वे अलग भाषा बोलते हैं, और एक पूरी तरह से अलग रेसिपी बुक का पालन करते हैं।
- एक टीम ने एक ऐसा रोबोट बनाया है जो पढ़कर सीखता है (विज़न-लैंग्वेज मॉडल्स का उपयोग करके)।
- दूसरी टीम ने एक ऐसा रोबोट बनाया है जो भविष्य की कल्पना करके सीखता है (वर्ल्ड मॉडल्स का उपयोग करके)।
- वे सभी अलग-अलग कोड, अलग परीक्षण विधियों और रोबोट को निर्देश देने के अलग-अलग तरीकों का उपयोग करते हैं।
यदि आप उनकी तुलना करना चाहते हैं या उनके सबसे अच्छे विचारों को मिलाना चाहते हैं, तो यह एक दुस्वप्न जैसा है। यह एक फेरारी, एक साइकिल और एक स्पेसशिप की तुलना करने जैसा है, और फिर उन्हें एक ऐसे ट्रैक पर दौड़ने के लिए कहने जैसा है जो केवल साइकिल के लिए बना है।
पेश है, StarVLA।
StarVL को एक "अल्टीमेट लेगो (Lego) किट" के रूप में समझें जो रोबोट के दिमागों के लिए है। यह एक ओपन-सोर्स टूलबॉक्स है जो शोधकर्ताओं को एक मानकीकृत तरीके से विभिन्न रोबोटिक दिमागों और शरीरों को आपस में जोड़ने की अनुमति देता है, जिससे उन्हें बनाना, टेस्ट करना और तुलना करना आसान हो जाता है।
यहाँ बताया गया है कि StarVLA कैसे काम करता है, जिसे सरल अवधारणाओं में विभाजित किया गया है:
1. "लेगो" आर्किटेक्चर (बैकबोन + हेड)
कल्पना कीजिए कि एक रोबोट के दो मुख्य भाग हैं:
- दिमाग (बैकबोन): यह वह हिस्सा है जो दुनिया को देखता है और भाषा को समझता है। यह एक "रीडर" (पठन) दिमाग हो सकता है (एक बुद्धिमान पुस्तक प्रेमी की तरह) या एक "इमेजिनेटर" (कल्पना करने वाला) दिमाग हो सकता है (एक सपने देखने वाले की तरह जो भविष्यवाणी करता है कि आगे क्या होगा)।
- हाथ (एक्शन हेड): यह वह हिस्सा है जो वास्तव में कप उठाने या दरवाजा खोलने के लिए रोबोट के हाथों को हिलाता है।
अतीत में, यदि आप दिमाग बदलना चाहते थे, तो आपको अक्सर पूरे रोबोट को फिर से बनाना पड़ता था। StarVLA के साथ, दिमाग और हाथों के बीच का संबंध एक मानकीकृत प्लग है।
- आप एक "रीडर" दिमाग और एक "फास्ट" हाथ लगा सकते हैं।
- आप इसे एक "इमेजिनेटर" दिमाग और एक "केयरफुल" हाथ से बदल सकते हैं।
- जादू: क्योंकि प्लग स्टैंडर्ड है, आप तुरंत उन्हें मिक्स और मैच कर सकते हैं ताकि यह देख सकें कि कौन सा संयोजन सबसे अच्छा काम करता है, बिना पूरी मशीन को दोबारा बनाए।
2. यूनिवर्सल ट्रांसलेटर (यूनिफाइड इंटरफेस)
वर्तमान में, यदि आप किसी विशिष्ट कार्य (जैसे "चम्मच को तौलिए पर रखना") के लिए एक रोबोट का परीक्षण करना चाहते हैं, तो आपको अक्सर उस विशिष्ट रोबोट से बात करने के लिए कस्टम कोड लिखना पड़ता है। यह हर टीवी ब्रांड के लिए एक अलग रिमोट कंट्रोल होने जैसा है।
StarVLA एक यूनिवर्सल रिमोट के रूप में कार्य करता है।
- यह रोबोट (दिमाग) से एक भाषा बोलता है।
- यह टेस्ट एनवायरनमेंट (टीवी) से एक भाषा बोलता है।
- चाहे आप किसी वीडियो गेम सिमुलेशन में टेस्ट कर रहे हों या लैब में एक वास्तविक रोबलेट पर, कोड नहीं बदलता है। आप बस रोबोट को प्लग इन करते हैं, और यह काम करता है। यह नए विचारों को पुराने विचारों के मुकाबले निष्पक्ष रूप से टेस्ट करना अविश्वसनीय रूप से आसान बनाता है।
3. "स्विस आर्मी नाइफ" ट्रेनिंग
StarVLA केवल निर्माण के बारे में नहीं है; यह रोबोट को सिखाने के बारे में भी है।
- "स्पेशलिस्ट" मोड: आप एक रोबोट को केवल एक विशिष्ट कार्य (जैसे केवल ब्लॉक स्टैक करना) सिखा सकते हैं।
- "जनरलिस्ट" मोड: आप एक ही रोबोट को एक साथ सब कुछ करना सिखा सकते हैं। StarVLA आपको अलग-अलग रोबोट्स (कुछ एक हाथ वाले, कुछ दो हाथ वाले) और अलग-अलग कार्यों (खाना बनाना, सफाई करना, व्यवस्थित करना) के डेटा को एक विशाल ट्रेनिंग सेशन में मिलाने की अनुमति देता है।
- "मेमोरी कीपर": कभी-कभी, जब आप एक रोबोट को हिलना-डुलना सिखाते हैं, तो वह भाषा को समझना भूल जाता है। StarVLA के पास एक विशेष ट्रेनिंग ट्रिक है जो रोबोट को अपनी भाषा कौशल को तेज रखते हुए हिलना-डुलना सिखाती है, ताकि वह एक "मंदबुद्धि" रोबोट न बन जाए।
4. "रेस ट्रैक" (बेंचमार्क्स)
यह देखने के लिए कि कौन सा रोबोट सबसे अच्छा है, आपको एक निष्पक्ष रेस की आवश्यकता होती है। StarVLA में पांच सबसे लोकप्रिय रोबोट चुनौतियों (जैसे LIBERO, SimplerEnv, आदि) के लिए इन-बिल्ट ट्रैक हैं।
- शोधकर्ता अपने स्वयं के अव्यवस्थित रेस ट्रैक बनाने के बजाय, StarVLA एक मानकीकृत स्टेडियम प्रदान करता है।
- आप अपने रोबोट को ट्रैक पर चला सकते हैं, और यह आपको बिल्कुल बताएगा कि इसने सभी के मुकाबले कैसा प्रदर्शन किया, और इसके नियम सभी के लिए समान होंगे।
यह क्यों मायने रखता है?
StarVLA से पहले, रोबोट लर्निंग का क्षेत्र "टॉवर ऑफ बेबेल" की तरह था—हर कोई अलग भाषा बोल रहा था, जिससे यह तय करना असंभव था कि वास्तव में कौन प्रगति कर रहा है।
StarVLA साझा भाषा है।
- यह नए शोधकर्ताओं के लिए निर्माण शुरू करने के लिए बाधाओं को कम करता है।
- यह हमें सेब की तुलना सेब से (या रोबोट की तुलना रोबोट से) करने की अनुमति देता है।
- यह हमें यह समझने में मदद करता है कि क्या एक "रीडर" दिमाग बेहतर है या एक "इमेजिनेटर" दिमाग, या क्या वे मिलकर सबसे अच्छा काम करते हैं।
संक्षेप में: StarVLA भविष्य की रोबोट इंटेलिजेंस के लिए "ऑपरेटिंग सिस्टम" है। यह असंगत कोड के अराजक ढेर को एक साफ, मॉड्यूलर और शक्तिशाली प्लेटफॉर्म में बदल देता है जहाँ हम अंततः ऐसे रोबोट बना सकते हैं जो वास्तव में हमारी दुनिया को समझ सकें और उसके साथ बातचीत 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।