OneDrive: Unified Multi-Paradigm Driving with Vision-Language-Action Models
वनड्राइव (OneDrive) एक एकीकृत स्वायत्त ड्राइविंग फ्रेमवर्क प्रस्तुत करता है जो धारणा (perception), भाषा निर्माण और प्रक्षेपवक्र नियोजन (trajectory planning) जैसे विषम कार्यों को निर्बाध रूप से एकीकृत करने के लिए एक एकल ट्रांसफॉर्मर डिकोडर के साथ एक पूर्व-प्रशिक्षित विजन-लैंग्वेज मॉडल का लाभ उठाता है, जिससे इन्फरेंस लेटेंसी (inference latency) को कम करते हुए बेंचमार्क पर अत्याधुनिक प्रदर्शन प्राप्त होता है।
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 शानदार, विश्व प्रसिद्ध शेफ (AI) को एक व्यस्त रेस्टोरेंट किचन चलाना सिखाने की कोशिश कर रहे हैं।
समस्या:
शेफ पहले से ही सुंदर, जटिल रेसिपी लिखने और भोजन का काव्यमय वर्णन करने में माहिर है (यह एक विज़न-लैंग्वेज मॉडल या VLM है)। वे बात करने और छवियों को समझने में बहुत अच्छे हैं।
हालाँकि, एक किचन चलाने के लिए केवल बात करना ही काफी नहीं है। आपको शेफ को यह करना होगा:
- आस-पास देखना और तुरंत पहचान लेना कि चाकू, बर्तन और सामग्रियाँ कहाँ हैं (अनुभूति/Perception)।
- हिलना-डुलना और अन्य शेफ के साथ बिल्कुल तालमेल में सब्जियां काटना (योजना/Action)।
- ग्राहकों से बात करना ताकि उन्हें मेनू के बारे में बताया जा सके (टेक्स्ट जनरेशन)।
पुराना तरीका (एक खंडित किचन):
पहले, शेफ को ये तीनों चीजें करने के लिए, इंजीनियरों ने एक "फ्रेंकेंस्टीन" जैसा किचन बनाया था। उन्होंने शेफ का सिर (बात करने के लिए) तो रखा, लेकिन उसके साथ एक अलग रोबोटिक हाथ (सब्जी काटने के लिए) और आँखों का एक अलग सेट (चीजों को पहचानने के लिए) जोड़ दिया।
- समस्या: ये हिस्से आपस में ठीक से संवाद नहीं कर पाते थे। शेफ को एक वाक्य पूरा करना होता था, फिर रुकना होता था, फिर रोबोटिक हाथ को एक नोट सौंपना होता था, हाथ के हिलने का इंतज़ार करना होता था, और फिर दोबारा बोलना शुरू करना होता था। यह धीमा, अटपटा और बोझिल था क्योंकि शेफ सब कुछ एक साथ समन्वय करने के लिए अपनी स्वाभाविक सहज बुद्धि (Intuition) का उपयोग नहीं कर पा रहा था।
नया समाधान: OneDrive (एक एकीकृत किचन)
यह पेपर OneDrive पेश करता है, जो शेफ को प्रशिक्षित करने का एक नया तरीका है ताकि वे एक ही मस्तिष्क का उपयोग करके सब कुछ एक सहज, प्राकृतिक प्रवाह में कर सकें।
यह कैसे काम करता है, सरल उपमाओं का उपयोग करते हुए:
1. "एक मस्तिष्क" की अवधारणा (The "One Brain" Concept)
बात करने, देखने और हिलने-डुलने के लिए अलग-अलग मस्तिष्क बनाने के बजाय, OneDrive सब कुछ एक ही मस्तिष्क (एक ट्रांसफार्मर डिकोडर) में डाल देता है।
- जादुई ट्रिक: शोधकर्ताओं ने महसूस किया कि शेफ के मस्तिष्क का वह हिस्सा जो विचारों को जोड़ने (अटेंशन/Attention) के लिए जिम्मेदार है, अविश्वसनीय रूप से स्मार्ट और लचीला है। यह कार की तस्वीर को "रुकिए" शब्द से जोड़ सकता है।
- अंतर्दृष्टि: उन्होंने पाया कि जबकि मस्तिष्क का वह हिस्सा जो शब्द लिखता है (फीड-फॉरवर्ड नेटवर्क), ड्राइविंग कार्यों के लिए बहुत कठोर है, लेकिन वह हिस्सा जो बिंदुओं को जोड़ता है (अटेंशन मैकेनिज्म), ड्राइविंग के लिए एकदम सही है। इसलिए, उन्होंने "कनेक्टर" वाले हिस्से को वैसा ही रखा, लेकिन उसे ड्राइविंग कार्यों को संभालने के लिए नए उपकरण दिए।
2. "एकीकृत मेनू" (टोकन सीक्वेंस)
कल्पना कीजिए कि शेफ निर्देशों के एक लंबे स्क्रॉल (लम्बे कागज के टुकड़े) को देख रहा है।
- पुराना तरीका: उस स्क्रॉल में "सड़क को देखें," "मोड़ की योजना बनाएं," और "नमस्ते कहें" के अलग-अलग अनुभाग थे।
- OneDrive का तरीका: वे सब कुछ एक ही सिंगल स्क्रॉल में मिला देते हैं।
- पहले, शेफ सड़क की छवियां देखता है (जैसे कि फोटो एल्बम)।
- उसके तुरंत बाद, वे प्रश्न देखते हैं जैसे "लाल कार कहाँ है?" या "मुझे कहाँ मुड़ना चाहिए?"
- अंत में, वे उत्तर या कहानी लिखते हैं।
क्योंकि सब कुछ एक ही स्क्रॉल पर है, "मुझे कहाँ मुड़ना चाहिए?" वाला प्रश्न तुरंत "सड़क की फोटो" की ओर देख सकता है और कह सकता है, "ओह, मैं वहां एक कार देख रहा हूं, इसलिए मुझे बाईं ओर मुड़ना चाहिए।" ये सब एक ही समय में, एक ही विचार प्रक्रिया में होते हैं।
3. "ट्रेनिंग कैंप" (बहु-चरणीय शिक्षण)
आप एक कविता लिखने वाले शेफ को सीधे रेसिंग कार में नहीं डाल सकते और उम्मीद नहीं कर सकते कि वह जीत जाएगा। यह पेपर एक स्मार्ट तीन-चरणीय ट्रेनिंग कैंप का उपयोग करता है:
- चरण 1 (बुनियादी बातें): शेफ को तस्वीरों को देखना और उनका वर्णन करना सिखाएं, साथ ही कारों और लेन को पहचानना भी सिखाएं। इससे वे अपने "विजुअल" मस्तिष्क के साथ सहज हो जाते हैं।
- चरण 2 (ड्राइवर): अब, "स्टीयरिंग व्हील" पेश करें। शेफ को जो उन्होंने अभी देखा, उसके आधार पर कार के रास्ते की भविष्यवाणी करना सिखाएं।
- चरण 3 (ग्रैंडमास्टर): सब कुछ एक साथ जोड़ दें। अब शेफ देखता है, ड्राइविंग की योजना बनाता है, और यह सब एक साथ कर सकता है।
यह एक बड़ी बात क्यों है?
- गति: क्योंकि शेफ को अलग-अलग "मोड्स" (बात करना बनाम ड्राइविंग) के बीच स्विच करने के लिए रुकना नहीं पड़ता, इसलिए कार बहुत तेजी से प्रतिक्रिया करती है। पेपर कहता है कि यह पिछले तरीकों की तुलना में लगभग 40% तेज़ है।
- सुरक्षा: शेफ "पैदल यात्री को देखने" और "ब्रेक लगाने" के बीच के संबंध को बेहतर समझता है क्योंकि यह एक निरंतर विचार है, न कि दो अलग-अलग चरण।
- बहुमुखी प्रतिभा: शेफ सूर्यास्त के बारे में कविता लिख सकता है और साथ ही गाड़ी भी चला सकता है, या यह समझा सकता है कि उसने मोड़ क्यों लिया, बिना अपने ड्राइविंग कौशल को खोए।
संक्षेप में:
OneDrive एक ऐसे स्मार्ट AI को लेता है जो बात करने और देखने में अच्छा है, और उसे बिना अपने मस्तिष्क को टुकड़ों में तोड़े ड्राइव करना सिखाता है। यह एक एकीकृत प्रणाली बनाता है जहाँ देखना, सोचना और कार्य करना एक साथ होता है, ठीक वैसे ही जैसे एक मानव ड्राइवर करता है, लेकिन कंप्यूटर की सुपर-स्पीड के साथ।
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।