💻 computer science

From Noise to Intent: Anchoring Generative VLA Policies with Residual Bridges

लव-वी-एल-ए (LoveVLA) "जनरेशन-फ्रॉम-नॉइज़" (शोर से सृजन) के बजाय "रिफाइनमेंट-फ्रॉम-इंटेंट" (इरादे से परिष्करण) प्रतिमान की ओर स्थानांतरित होकर एम्बॉडीड इंटेलिजेंस में स्पैटियोटेम्पोरल मिसमैच (स्थानिक-कालिक बेमेल) को संबोधित करता है, जो स्पेक्ट्रल विश्लेषण का उपयोग करके जनरेटिव पॉलिसियों को नियत लो-फ्रीक्वेंसी इंटेंट (निम्न-आवृत्ति इरादे) के साथ स्थिर करता है और एक स्टोकेस्टिक रेसिडुअल डिफ्यूजन ब्रिज के माध्यम से स्थानीय डायनेमिक्स को परिष्कृत करता है, जिससे सिमुलेशन और वास्तविक दुनिया के रोबोटिक कार्यों दोनों में मजबूत और कुशल प्रदर्शन प्राप्त होता है।

मूल लेखक: Yiming Zhong, Yaoyu He, Zemin Yang, Pengfei Tian, Yifan Huang, Qingqiu Huang, Xinge Zhu, Yuexin Ma

प्रकाशित 2026-04-24

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yiming Zhong, Yaoyu He, Zemin Yang, Pengfei Tian, Yifan Huang, Qingqiu Huang, Xinge Zhu, Yuexin Ma

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

🚀 बड़ा विचार: "अंधेरे में अंदाज़ा लगाने" से "एक स्केच को सुधारने" तक

कल्पना कीजिए कि आप एक रोबोट को कॉफी बनाना सिखा रहे हैं।

पुराना तरीका (शोर से निर्माण - Generation-from-Noise):
कल्पना कीजिए कि रोबोट की आँखों पर पट्टी बंधी है और वह एक अंधेरे कमरे में खड़ा है। कॉफी बनाने के लिए, उसे शून्य (absolute zero) से शुरुआत करनी होगी। उसे पूरी प्रक्रिया का अंदाज़ा लगाना होगा: कप कहाँ है? मुझे कितनी ज़ोर से दबाना चाहिए? कितना पानी? कौन सा कोण?
वह अपने हाथों को बेतरतीब ढंग से हिलाना शुरू करता है (जैसे पुराने टीवी पर दिखने वाला स्टैटिक शोर/static noise) और धीरे-धीरे, बहुत कठिनाई से, यह समझने की कोशिश करता है कि कैसे हिलना है, जब तक कि वह गलती से सही गति तक न पहुँच जाए।

समस्या: यह अविश्वसनीय रूप से अक्षम है। रोबोट उन चीज़ों को अंदाज़ा लगाने में ऊर्जा बर्बाद करता है जिन्हें वह पहले से ही "जानता" है (जैसे "मुझे कप पकड़ना है")। वह निर्देशों से भ्रमित हो जाता है और कॉफी गिरा देता है क्योंकि वह शून्य से पूरी गति को आविष्कार करने में ही व्यस्त रहता है।

नया तरीका (ResVLA - इरादे से सुधार - Refinement-from-Intent):
अब, कल्पना कीजिए कि रोबोट के पास एक स्मार्ट सहायक (The "Intent Anchor") है।

सहायक: पहले, सहायक निर्देशों और कमरे को देखता है। वह कहता है, "ठीक है, लक्ष्य कप उठाना और उसे डालना है। यहाँ उस गति का एक मोटा, कम गुणवत्ता वाला स्केच है।" (यह लो-फ्रीक्वेंसी इंटेंट है)।
रोबोट: रोबोट शून्य से शुरुआत नहीं करता। वह उस मोटे स्केच को लेता है और कहता है, "मैं योजना देख सकता हूँ। अब, मुझे बस बारीक विवरणों को ठीक करने की ज़रूरत है: कितना बल लगाना है? फिसलन भरी मेज के लिए कैसे एडजस्ट करना है?" (यह हाई-फ्रीक्वेंसी रेजिडुअल है)।

पूरी फिल्म को फिर से बनाने के बजाय, रोबोट केवल एक कच्चे ड्राफ्ट (rough draft) को एडिट (edit) करता है। यह इसे तेज़, स्मार्ट और गलतियाँ करने से बहुत कम संवेदनशील बनाता है।

🔍 मुख्य अवधारणाओं की व्याख्या

1. "स्पैटियोटेम्पोरल मिसमैच" (दिमाग बनाम हाथ)

दिमाग (संज्ञान - Cognition): जब आप सोचते हैं "कप उठाओ," तो आपका दिमाग बड़े, धीमे और सुचारू आंदोलनों के बारे में सोचता है। यह एक लो-फ्रीक्वेंसी सिग्नल की तरह है। यह "बड़ी तस्वीर" है।
हाथ (क्रिया - Action): जब आपका हाथ वास्तव में चलता है, तो उसे घर्षण, गुरुत्वाकर्षण और डगमगाती सतहों से निपटने के लिए हज़ारों छोटे, तेज़ समायोजन करने होते हैं। यह एक हाई-फ्रीक्वेंसी सिग्नल है।
समस्या: वर्तमान रोबोट ये दोनों काम एक साथ करने की कोशिश करते हैं, और पूर्ण अराजकता (chaos) से शुरुआत करते हैं। यह रैंडम अक्षर टाइप करने और इस उम्मीद में रहने जैसा है कि वे अंततः एक वाक्य बना लेंगे।

2. "लॉस कोलैप्स" (रोबोट आपका कहना अनसुना कर रहा है)

यह शोध पत्र पुराने रोबोटों की एक मज़ेदार लेकिन खतरनाक खामी की ओर इशारा करता है। क्योंकि वे रैंडम शोर (noise) से शुरू होते हैं, वे अक्सर गणित से इतने अभिभूत हो जाते हैं कि वे आपके विशिष्ट निर्देशों को सुनना बंद कर देते हैं।

उपमा: कल्पना कीजिए कि एक छात्र परीक्षा दे रहा है। यदि उसे एक खाली पन्ने से पूरा निबंध लिखना है, तो वह घबरा सकता है और कुछ ऐसा सामान्य लिख सकता है जो विषय के अनुकूल तो है लेकिन विशिष्ट प्रश्न को छोड़ देता है।
ResVLA का समाधान: रोबोट को पहले एक "रफ स्केच" (इंटेंट) देकर, यह रोबोट को केवल आपके विशिष्ट विवरणों पर ध्यान केंद्रित करने के लिए मजबूर करता है। वह आपको अनसुना नहीं कर सकता क्योंकि "बड़ी तस्वीर" पहले से ही लॉक है।

3. "रेजिडुअल ब्रिज" (एक शॉर्टकट)

गणित और भौतिकी में, एक "ब्रिज" दो बिंदुओं को जोड़ता है।

पुराना ब्रिज: "पूर्ण अराजकता" को "परफेक्ट एक्शन" से जोड़ता है। यह यात्रा करने के लिए एक बहुत लंबी दूरी है!
ResVLA ब्रिज: "रफ स्केच" को "परफेक्ट एक्शन" से जोड़ता है। यह एक बहुत छोटी दूरी है।
यह क्यों मायने रखता है: क्योंकि दूरी कम है, रोबोट तेज़ी से सीखता है, कम गलतियाँ करता है और तुरंत प्रतिक्रिया दे सकता है। यह एक महाद्वीप को पैदल पार करने बनाम एक लिविंग रूम को पार करने के बीच का अंतर है।

🧪 उन्होंने वास्तव में क्या किया?

शोधकर्ताओं ने ResVLA नामक एक प्रणाली बनाई। यह तीन सरल चरणों में काम करती है:

सुनना और योजना बनाना (द एंकर): रोबोट आपके कमांड को पढ़ता है (जैसे, "कप को मेज पर रखें") और एक बड़े AI दिमाग का उपयोग करके उस मोटे रास्ते (rough path) की भविष्यवाणी करता है जिससे हाथ को गुजरना चाहिए। यह छोटे झटकों को अनदेखा करता है और सुचारू, वैश्विक गति पर ध्यान केंद्रित करता है।
"रेजिडुअल" चरण: रोबोट फिर पूछता है, "क्या कमी है?" वह उस मोटे पथ और परफेक्ट पथ के बीच के अंतर की गणना करता है। यह अंतर आमतौर पर केवल छोटे, उच्च-गति वाले सुधार (जैसे पकड़ की ताकत को एडजस्ट करना) होते हैं।
सुधार और निष्पादन (Refine & Execute): रोबोट एक विशेष "डिफ्यूजन ब्रिज" (एक गणितीय उपकरण जो पथ को सुचारू बनाता है) का उपयोग करके उन छोटे अंतराल को भरता है।

🏆 यह क्यों मायने रखता है? (परिणाम)

शोधकर्ताओं ने ब्लॉक रखने से लेकर तरल पदार्थ डालने तक, विभिन्न रोबोटों और कार्यों पर इसका परीक्षण किया।

गति: ResVLA अन्य रोबोटों की तुलना में बहुत तेज़ी से सीखा। इसने अपने हाथ को हिलाने के तरीके को फिर से सीखने में समय बर्बाद नहीं किया; इसने केवल गति को ठीक करना सीखा।
मजबूती (Robustness): जब शोधकर्ताओं ने लाइटिंग, कैमरा एंगल, या यहाँ तक कि रोबोट के शरीर के प्रकार को बदला, तो ResVLA क्रैश नहीं हुआ। क्योंकि इसके पास एक ठोस "योजना" (एंकर) थी, यह नए विवरणों के अनुकूल आसानी से ढल सका।
वास्तविक दुनिया: उन्होंने इसका परीक्षण एक वास्तविक रोबोट (ALOHA) पर एक कठिन दो-हाथ वाले कार्य (कप उठाना, दूसरे हाथ को सौंपना और उसे रखना) के लिए भी किया। जहाँ अन्य विधियाँ असफल रहीं या अस्थिर थीं, वहाँ ResVLA सफल रहा।

🎯 निष्कर्ष

ResVLA एक रोबोट को गाड़ी चलाना शुरू करने से पहले एक मोटे रूट वाले GPS देने जैसा है।

पुराने रोबोट: "मैं एक रैंडम जगह से शुरू कर रहा हूँ। मैं तब तक गाड़ी चलाऊँगा जब तक कि मैं मंजिल तक न पहुँच जाऊँ। शुभकामनाएँ!"
ResVLA: "यहाँ हाईवे रूट है (इरादा/Intent)। अब मुझे बस गड्ढों और ट्रैफिक (रेजिडुअल/Residual) को संभालना है।"

"कुछ भी नहीं" से बनाने के बजाय "एक योजना को सुधारने" की यह शिफ्ट रोबोट को स्मार्ट, सुरक्षित और वास्तविक दुनिया के कामों के लिए बहुत पहले तैयार बनाती है।

यहाँ शोध पत्र "From Noise to Intent: Anchoring Generative VLA Policies with Residual Bridges" (ResVLA) का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र एम्बोडीड इंटेलिजेंस (embodied intelligence) की एक मौलिक चुनौती को संबोधित करता है: उच्च-स्तरीय संज्ञानात्मक इरादे (Vision-Language Models से प्राप्त) और निम्न-स्तरीय भौतिक नियंत्रण के बीच स्थानिक-कालिक पैमाना बेमेल (spatiotemporal scale mismatch)।

बेमेल (The Mismatch): संज्ञानात्मक इरादा एक मैक्रो-टेम्पोरल स्केल (ग्लोबल ट्रजेक्टरी प्लानिंग, नियतात्मक, लो-फ्रीक्वेंसी) पर कार्य करता है, जबकि भौतिक संपर्क के लिए माइक्रो-टेम्पोरल सटीकता (कॉन्टैक्ट डायनेमिक्स, घर्षण, सेंसर शोर, स्टोकेस्टिक, हाई-फ्रीक्वेंसी) की आवश्यकता होती है।
वर्तमान SOTA की सीमा: मौजूदा जनरेटिव विजन-लैंग्वेज-एक्शन (VLA) नीतियां (जैसे $\pi_0$ , Diffusion Policy) आमतौर पर "Generation-from-Noise" प्रतिमान का पालन करती हैं। वे एक अनइंफॉर्मेटिव, आइसोट्रोपिक गौसियन प्रायर ( $N(0, I)$ ) से संपूर्ण एक्शन डिस्ट्रीब्यूशन को पुनर्गठित करती हैं।
परिणाम:
1. प्रतिनिधित्व अक्षमता (Representation Inefficiency): मॉडल उस ग्लोबल इंटेंट को फिर से खोजने में अपनी कंप्यूटेशनल क्षमता बर्बाद करता है जो पहले से ही सिमेंटिक निर्देश द्वारा निहित है।
2. लॉस कोलैप्स (Loss Collapse): हालिया सैद्धांतिक विश्लेषण बताते हैं कि जब शोर का स्रोत टास्क कंडीशन से स्वतंत्र होता है, तो ऑप्टिमाइजेशन प्रक्रिया सूक्ष्म-स्तरीय भाषा निर्देशों पर ध्यान केंद्रित करने में विफल रहती है, जिससे सिमेंटिक ड्रिफ्ट और खराब संरेखण (alignment) होता है।

2. कार्यप्रणाली: ResVLA (Methodology: ResVLA)

लेखक ResVLA का प्रस्ताव करते हैं, जो एक ऐसा फ्रेमवर्क है जो प्रतिमान को "Generation-from-Noise" से बदलकर "Refinement-from-Intent" कर देता है। इसका मूल विचार नियंत्रण को एक नियतात्मक लो-फ्रीक्वेंसी एंकर और एक स्टोकेस्टिक हाई-फ्रीक्वेंसी रेसिडुअल में विभाजित करना है।

A. सैद्धांतिक आधार: रेसिडुअल डिफ्यूजन ब्रिज (Theoretical Foundation: Residual Diffusion Bridge)

शुद्ध शोर से एक्शन जेनरेट करने के बजाय, ResVLA डिफ्यूजन ब्रिज (Diffusion Bridge) फ्रेमवर्क का उपयोग करता है।

सोर्स निर्माण: यह प्रक्रिया स्वतंत्र शोर के बजाय एक कंडीशन-डिपेंडेंट सोर्स ( $p_0(x|c)$ ) से शुरू होती है। यह सोर्स VLM से प्राप्त एक अनुमानित "इंटेंट एंकर" (Intent Anchor) है।
गणितीय लाभ: जनरेशन को टारगेट मैनिफोल्ड के करीब एंकर करने से, मॉडल को केवल एक रेसिडुअल वेक्टर फील्ड ( $\Delta x_{residual} = x_{target} - x_{anchor}$ ) सीखने की आवश्यकता होती है। यह शून्य से उत्पन्न करने की तुलना में 'काइनेटिक ट्रांसपोर्ट कॉस्ट' और सीखने की कठिनाई को काफी कम कर देता है।
लॉस कोलैप्स को रोकना: यह सुनिश्चित करके कि सोर्स डिस्ट्रीब्यूशन में सिमेंटिक जानकारी शामिल है (म्युचुअल इंफॉर्मेशन $I(x_0; c) > 0$ ), मॉडल जनरेशन प्रक्रिया के दौरान मजबूत कंडीशनिंग सिग्नल बनाए रखता है, जिससे इंस्ट्रक्शन ड्रिफ्ट को रोका जा जाता है।

B. आर्किटेक्चरल कार्यान्वयन (Architectural Implementation)

ResVLA इस सिद्धांत को स्पेक्ट्रल विश्लेषण (डिस्क्रीट कोसाइन ट्रांसफॉर्म - DCT) के माध्यम से लागू करता है:

फ्रीक्वेंसी डिकंपोजिशन: एक्शन स्पेस को दो सबस्पेस में विभाजित किया जाता है:
- सिमेंटिक सबस्पेस (लो-फ्रीक्वेंसी): ग्लोबल ट्रजेक्टरी स्ट्रक्चर और नियतात्मक इरादे को कैप्चर करता है।
- एक्जीक्यूशन सबस्पेस (हाई-फ्रीक्वेंसी): लोकल जिटर, कॉन्टैक्ट डायनेमिक्स और स्टोकेस्टिक विवरणों को कैप्चर करता है।
दो-चरणीय आर्किटेक्चर:
- चरण 1: इंटेंट एंकरिंग: एक रिग्रेशन हेड VLM फीचर्स का उपयोग करके लो-फ्रीक्वेंसी सिमेंटिक कंपोनेंट ( $x_S$ ) की भविष्यवाणी करता है। यह नियतात्मक एंकर के रूप में कार्य करता है।
- चरण 2: रेसिडुअल ब्रिजिंग: एक फ्लो मैचिंग एक्सपर्ट, हाई-फ्रीक्वेंसी रेसिडुअल ( $x_E$ ) की भविष्यवाणी करके एंकर को ग्राउंड-ट्रुथ एक्शन तक मैप करने के लिए सीखता है।
ऑप्टिमाइजेशन: मॉडल एक एकीकृत लॉस फंक्शन का उपयोग करता है जो सिमेंटिक एलाइनमेंट (एंकर के लिए रिग्रेशन लॉस) और रेसिडुअल रिफाइनमेंट (ब्रिज के लिए फ्लो मैचिंग लॉस) को जोड़ता है।

C. इन्फरेंस (Inference)

इन्फरेंस के दौरान, मॉडल "प्रेडिक्ट-रिफाइन" फ्लो का पालन करता है:

सिमेंटिक एंकर ( $\mu_{prior}$ ) की भविष्यवाणी करें।
न्यूमेरिकल इंटीग्रेशन के माध्यम से रेसिडुअल फील्ड के साथ विकसित हों।
चूंकि शुरुआती बिंदु पहले से ही लक्ष्य के करीब है, इसलिए ResVLA मानक डिफ्यूजन मॉडल्स की तुलना में काफी कम फंक्शन इवैल्यूएशन (NFE) के साथ उच्च-गुणवत्ता वाले एक्शन प्राप्त करता है।

3. प्रमुख योगदान (Key Contributions)

प्रतिमान परिवर्तन (Paradigm Shift): "सोर्स-कंडीशन इंडिपेंडेंस" को जनरेटिव VLA नीतियों में प्रशिक्षण अक्षमता और लॉस कोलैप्स के मूल कारण के रूप में पहचाना। समाधान के रूप में "Refinement-from-Intent" प्रस्तावित किया।
ResVLA आर्किटेक्चर: एक नया आर्किटेक्चर पेश किया जो स्पेक्ट्रल ऑर्थोगोनैलिटी का उपयोग करके नियतात्मक रिग्रेशन (इंटेंट के लिए) और जनरेटिव फ्लो मैचिंग (डायनेमिक्स के लिए) को फ्यूज करता है।
सैद्धांतिक गारंटी: सिद्ध किया कि कंडीशन-डिपेंडेंट सोर्स पर जनरेशन को एंकर करने से ट्रांसपोर्ट कॉस्ट कम होती है और कंडीशनल ग्रेडिएंट्स का लुप्त होना (Loss Collapse) रुक जाता है।
अनुभवजन्य सत्यापन (Empirical Validation): यह प्रदर्शित किया कि संरचित फिजिकल प्रायर्स (फ्रीक्वेंसी सेपरेशन) को पेश करने से तेज़ अभिसरण (convergence), उच्च मजबूती और बेहतर वास्तविक दुनिया का प्रदर्शन होता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने LIBERO, LIBERO-Plus, SimplerEnv, और वास्तविक दुनिया के ALOHA सेटअप पर ResVLA का मूल्यांकन किया।

मजबूती (Robustness - Hypothesis H1):
- ResVLA, आउट-ऑफ-डिस्ट्रीब्यूशन (OOD) व्यवधानों (कैमरा परिवर्तन, रोबोट मॉर्फोलॉजी, भाषा भिन्नता) के तहत बेसलाइन्स (जैसे $\pi_0$ और OpenVLA) की तुलना में काफी बेहतर प्रदर्शन करता है।
- LIBERO-Plus पर, ResV la ने विविध भाषा निर्देशों पर 88.5% सफलता दर हासिल की (OpenVLA के 23.0% के मुकाबले) और रोबोट मॉर्फोलॉजी परिवर्तनों में 59.9% सफलता बनाए रखी ( $\pi_0$ के 6.0% के मुकाबले)।
दक्षता (Efficiency - Hypothesis H2):
- प्रशिक्षण: ResVLA बेसलाइन्स की तुलना में काफी तेज़ी से अभिसरण करता है, विशेष रूप से उच्च ड्रॉपआउट दरों के तहत जहाँ अन्य मॉडल ऑप्टिमाइजेशन सैचुरेशन का शिकार होते हैं।
- इन्फरेंस: ResVLA एकल स्टेप (NFE=1) के साथ >70% सफलता प्राप्त करता है, जबकि मानक डिफ्यूजन मॉडल्स को समान प्रदर्शन तक पहुँचने के लिए कई स्टेप्स की आवश्यकता होती है।
सामान्यीकरण (Generalization - Hypothesis H3):
- क्रॉस-एम्बॉडमेंट: स्क्रैच से प्रशिक्षित होने के बावजूद (कोई प्री-ट्रेनिंग नहीं), ResVLA ने SimplerEnv (Google Robot और WidowX) पर प्री-ट्रेन्ड बेसलाइन्स को पछाड़ते हुए क्रमशः 68.4% और 57.9% औसत सफलता दर प्राप्त की।
- वास्तविक दुनिया: एक वास्तविक ALOHA ड्यूल-आर्म प्लेटफॉर्म पर, ResVLA ने एक जटिल तीन-चरणीय कार्य (Pick $\to$ Handover $\to$ Place) को 20% समग्र सफलता दर के साथ सफलतापूर्वक पूरा किया, जो $\pi_0.5$ बेसलाइन (10%) से बेहतर है।

5. महत्व (Significance)

दक्षता: ResVLA प्रदर्शित करता है कि बड़े जनरेटिव मॉडल्स को हर एक्शन के लिए "पहिए का पुन: आविष्कार" करने की आवश्यकता नहीं है। सिमेंटिक एंकर्स का लाभ उठाकर, यह पॉलिसी लर्निंग के कंप्यूटेशनल बोझ को काफी कम कर देता है।
मजबूती: "Refinement-from-Intent" दृष्टिकोण रोबोटों को वास्तविक दुनिया के वातावरण (दृश्य परिवर्तन, भाषा अस्पष्टता, हार्डवेयर भिन्नता) के "शोर" के प्रति अधिक लचीला बनाता है।
स्केलेबिलिटी: यह फ्रेमवर्क एक वायबल पथ सुझाता है जिससे हाई-लेवल प्लानिंग (एंकर द्वारा संभाला गया) को लो-लेवल कंट्रोल (रेसिडुअल द्वारा संभाला गया) से अलग करके जनरललिस्ट रोबोट नीतियों को स्केल किया जा सकता है, जो संभावित रूप से रोबोटिक्स के लिए फाउंडेशन मॉडल्स के अधिक कुशल फाइन-ट्यूनिंग को सक्षम बनाता है।

संक्षेप में, ResVLA सिमेंटिक समझ और भौतिक नियंत्रण के बीच के अंतर को पाटता है, यह मानते हुए कि रोबोटिक मोशन अराजकता (chaos) से जनरेशन नहीं है, बल्कि इरादे का एक संरचित परिशोधन (structured refinement of intent) है, जो एम्बोडीड AI के लिए अधिक कुशल, मजबूत और सैद्धांतिक रूप से सुदृढ़ दृष्टिकोण प्रदान करता है।