🤖 AI

Zero-Shot Signal Temporal Logic Planning with Disjunctive Branch Selection in Dynamic Semantic Maps

यह शोध पत्र एक ज़ीरो-शॉट सिग्नल टेम्पोरल लॉजिक प्लानिंग फ्रेमवर्क प्रस्तावित करता है जो बिना किसी पुनर्र्प्रशिक्षण (retraining) के गतिशील सिमेंटिक मानचित्रों में व्यवहार्य और तार्किक रूप से सुसंगत प्रक्षेप पथ (trajectories) उत्पन्न करने के लिए एक मैप-कंडीशन्ड ट्रांसफॉर्मर को एक हल्के ह्यूरिस्टिक और ट्रांजिटिव रीइन्फोर्समेंट लर्निंग के साथ जोड़ता है।

मूल लेखक: Bowen Ye, Ancheng Hou, Junyue Huang, Ruijia Liu, Xiang Yin

प्रकाशित 2026-05-06

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Bowen Ye, Ancheng Hou, Junyue Huang, Ruijia Liu, Xiang Yin

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 हैं जिसे एक जटिल मिशन पूरा करने के लिए एक भूलभुलैया (maze) में नेविगेट करने का काम सौंपा गया है। मिशन सिर्फ "A से B तक जाना" नहीं है। यह सिग्नल टेम्पोरल लॉजिक (Signal Temporal Logic - STL) नामक एक विशेष भाषा में लिखे गए नियमों का एक समूह है।

यह भाषा ऐसी सुनाई देती है: "10 सेकंड के भीतर लाल क्षेत्र में जाएँ, फिर हमेशा के लिए नीले क्षेत्र से बचें, या यदि आप ऐसा नहीं कर सकते, तो 20 सेकंड के भीतर हरे क्षेत्र में जाएँ।"

समस्या यह है कि भूलभुलैया बदलती रहती है। कभी-कभी वहां दीवारें होती हैं जहाँ पहले खुला स्थान था। कभी-कभी "लाल क्षेत्र" बाधित होता है। पारंपरिक रोबोट या तो:

बहुत धीरे सोचते हैं: वे हर संभावित पथ की गणितीय गणना करने की कोशिश करते हैं, जिसमें बहुत अधिक समय लगता है।
बहुत अधिक याद रखते हैं: वे एक विशिष्ट भूलभुलैया में अभ्यास करके सीखते हैं। जब उन्हें एक नई भूलभुलैया में रखा जाता है, तो वे भ्रमित हो जाते हैं और विफल हो जाते हैं।

यह शोध पत्र एक नए "मस्तिष्क" को पेश करता है जो इस समस्या को हल करता है। यह कैसे काम करता है, इसके लिए सरल उपमाओं (analogies) का उपयोग किया गया है:

1. "डिकंपोज़-देन-सिंथेसाइज़" रणनीति (Decompose-Then-Synthesize Strategy)

पूरे विशाल पहेली को एक साथ हल करने के बजाय, रोबोट मिशन को छोटे, प्रबंधनीय चरणों में तोड़ देता है।

उपमा: कल्पना कीजिए कि आप एक जटिल यात्रा कार्यक्रम के साथ सड़क यात्रा की योजना बना रहे हैं। बिना देखे गाड़ी चलाने के बजाय, आप पहले यात्रा को "शहर A तक ड्राइव करें," फिर "शहर B तक ड्राइव करें" में तोड़ते हैं। रोबलेट भी अपने लॉजिक नियमों के साथ ऐसा ही करता है, एक विशाल वाक्य को छोटे चेकपॉइंट्स की सूची में बदल देता है।

2. "स्मार्ट चॉइस" (Heuristic Disjunction Selection)

मिशन का कठिन हिस्सा "OR" (वियोजन/disjunction) है। रोबोट के पास एक विकल्प हो सकता है: "बाएं दरवाजे से जाएं या दाएं दरवाजे से।"

समस्या: यदि रोबोट यादृच्छिक रूप से (randomly) चुनता है, तो वह ऐसा दरवाजा चुन सकता है जो डेड एंड (बंद रास्ता) या दीवार की ओर ले जाता है।
समाधान: लेखकों ने एक "स्मार्ट चॉसर" जोड़ा है। शुरू करने से पहले, यह मॉड्यूल मानचित्र और नियमों को देखता है। यह पूछता है: "कौन सा दरवाजा पहुंचना आसान है? किसके पास अधिक समय बचा है? कौन सा कम जटिल है?"
रूपक: इसे एक GPS की तरह समझें जो केवल एक मार्ग नहीं चुनता, बल्कि वर्तमान ट्रैफ़िक और सड़क की स्थिति के आधार पर सबसे अच्छा मार्ग चुनता है। यह "बुरे विकल्पों" को फ़िल्टर कर देता है ताकि रोबोट दीवार के माध्यम से जाने की कोशिश में समय बर्बाद न करे।

3. "मैप-रीडिंग आर्किटेक्ट" (ट्रांसफॉर्मर)

एक बार जब रोबोट को पता चल जाता है कि क्या करना है (छोटे चरण) और कौन सा पथ लेना है, तो उसे यह समझना होता है कि कैसे आगे बढ़ना है।

नवाचार: रोबोट एक ट्रांसफॉर्मर (एक प्रकार का AI जो भाषा समझने के लिए प्रसिद्ध है) का उपयोग करता है। लेकिन शब्दों को पढ़ने के बजाय, यह मानचित्रों (maps) को पढ़ता है।
यह कैसे काम करता है: रोबलेट भूलभुलैया के लेआउट (दीवारें, खुले स्थान) और मिशन के चरणों को एक साथ देखता है। यह एक सुचारू पथ बनाना सीखता है जो वर्तमान भूलभुलैया के विशिष्ट आकार में फिट बैठता है।
"ज़ीरो-शॉट" जादू: यह सबसे प्रभावशाली हिस्सा है। रोबोट को कई भूलभुलैयाओं पर प्रशिक्षित किया गया था, लेकिन उसे उस विशिष्ट भूलभुलैया के बारे में कभी नहीं दिखाया गया जिसका वह अभी सामना कर रहा है। फिर भी, वह इसमें भी पूरी तरह से नेविगेट कर सकता है। यह एक ऐसे शेफ की तरह है जिसने कई अलग-अलग व्यंजन बनाना सीख लिया है और वह काउंटर पर मौजूद सामग्री को समझकर तुरंत एक नया व्यंजन बना सकता है जिसे उसने पहले कभी नहीं देखा।

4. "टाइम-कीपर" (Transitive Reinforcement Learning)

रोबोट को यह भी जानने की आवश्यकता है कि चीजें कब करनी हैं। "10 सेकंड के भीतर लाल क्षेत्र में पहुँचें।"

समस्या: समय का अनुमान लगाना कठिन है। यदि रोबोट गलत अनुमान लगाता है, तो वह बहुत जल्दी या बहुत देर से पहुँच सकता है।
समाधान: लेखकों ने ट्रांजिटिव रीइन्फोर्समेंट लर्निंग (TRL) नामक तकनीक का उपयोग किया है।
उपमा: कल्पना कीजिए कि एक बच्चे को दूरियों का निर्णय लेना सिखा रहे हैं। केवल यह कहने के बजाय कि "यह 5 मील है," आप कहते हैं, "यह उससे अधिक दूर है, लेकिन दूसरे से करीब है।" TRL रोबोट को सटीक संख्याओं को याद रखने के बजाय, समय के बीच के संबंध (A, B से लंबा है, B, C से लंबा है) को समझने के लिए सिखाता है। यह रोबोट को एक नई, अपरिचित भूलभुलैया में बिंदु A से बिंदु B तक जाने में कितना समय लगेगा, इसका बेहतर अनुमान लगाने में सक्षम बनाता है।

परिणाम

लेखकों ने विभिन्न आकारों और बाधाओं वाले डिजिटल भूलभुलैया में इस प्रणाली का परीक्षण किया। उन्होंने दो अलग-अलग प्रकार के रोबोट मूवमेंट (एक जो कार की तरह चलता है, एक जो फिसलने वाले पक्क (puck) की तरह चलता है) के साथ भी इसका परीक्षण किया।

निष्कर्ष ये थे:

उच्च सफलता दर: रोबोट ने पिछले तरीकों की तुलना में अपने मिशनों को अधिक बार सफलतापूर्वक पूरा किया, विशेष रूप से जटिल और भीड़भाड़ वाली भूलभुलैया में।
तेज़ निर्णय: "स्मार्ट चॉसर" का उपयोग करके शुरुआती दौर में ही सबसे अच्छा पथ चुनने से, इसने समय बचाया।
वास्तविक सामान्यीकरण (True Generalization): यह उन मानचित्रों पर भी पूरी तरह से काम करता है जिन्हें इसने पहले कभी नहीं देखा था, बिना किसी पुन: प्रशिक्षण (retraining) के।

संक्षेप में, यह शोध पत्र एक ऐसा रोबोट प्लानर प्रस्तुत करता है जो तेज़, अनुकूलन योग्य और इतना स्मार्ट है कि वह हर नए कमरे के लिए मैनुअल की आवश्यकता के बिना, बदलती दुनिया में सही रास्ता चुन सके।

तकनीकी सारांश: डायनेमिक सिमेंटिक मैप्स में डिसजंक्टिव ब्रांच सिलेक्शन के साथ ज़ीरो-शॉट सिग्नल टेम्पोरल लॉजिक प्लानिंग

1. समस्या का निरूपण (Problem Formulation)

यह शोध पत्र वेरिएबल-मैप वातावरण में सिग्नल टेम्पोरल लॉजिक (STL) प्लानिंग की चुनौती को संबोधित करता है जहाँ सिस्टम डायनेमिक्स अज्ञात होते हैं। इसका लक्ष्य एक जटिल STL स्पेसिफिकेशन $\phi$ को संतुष्ट करते हुए और एक डायनेमिक बाइनरी मेज़ मैप $M$ द्वारा परिभाषित कोलिजन अवॉयडेंस (टक्कर से बचाव) बाधाओं का पालन करते हुए एक परिमित-क्षितिज़ (finite-horizon) प्रक्षेपवक्र (trajectory) $x_{0:T}$ को सिंथेसाइज करना है।

मुख्य बाधाएं और चुनौतियां शामिल हैं:

ज़ीरो-शॉट जनरलाइजेशन (Zero-Shot Generalization): सॉल्वर को बिना किसी इंस्टेंस-विशिष्ट रिट्रेनिंग या फाइन-ट्यूनिंग के अनदेखे मैप लेआउट, बाधा विन्यास (obstacle configurations) और STL स्पेसिफिकेशन को संभालना चाहिए।
अज्ञात डायनेमिक्स (Unknown Dynamics): प्लानर एक स्पष्ट ट्रांजिशन फंक्शन $f(x_t, u_t)$ के बिना कार्य करता है, और इसके बजाय ऐतिहासिक प्रक्षेपवक्रों के एक ऑफलाइन डेटासेट पर निर्भर करता है।
डिसजंक्टिव कॉम्प्लेक्सिटी (Disjunctive Complexity): STL स्पेसिफिकेशन में अक्सर डिसजंक्शंस (OR ऑपरेटर्स, $\lor$ ) होते हैं। इन्हें हल करने के लिए लॉजिक की एक विशिष्ट शाखा (branch) का चयन करना आवश्यक होता है। डायनेमिक वातावरण में, अनगाइडेड चयन उन शाखाओं को चुन सकता है जो ज्यामितीय रूप से अव्यवहार्य (infeasible) या डायनेमिकली कठिन हैं, जिससे प्लानिंग विफल हो सकती है।
टेम्पोरल ग्राउंडिंग (Temporal Grounding): एक उच्च-स्तरीय STL फॉर्मूला को उप-कार्यों (sub-tasks) में तोड़ने के लिए सटीक टेम्पोरल एलोकेशन (यह निर्धारित करना कि विशिष्ट क्षेत्रों का दौरा कब किया जाए) की आवश्यकता होती है, जो विभिन्न मैप ज्योमेट्री के बीच लगातार सीखना कठिन है।

2. कार्यप्रणाली (Methodology)

प्रस्तावित फ्रेमवर्क एक "डिकंपोज़-देन-सिंथेसाइज़" (decompose-then-synthesize) प्रतिमान का अनुसरण करता है, जो तीन मुख्य घटकों को एकीकृत करता है:

A. ह्यूरिस्टिक डिसजंक्टिव ब्रांच सिलेक्शन (Heuristic Disjunctive Branch Selection)
डिसजंक्शंस की कॉम्बिनेटोरियल विस्फोट और व्यवहार्यता संबंधी समस्याओं को संबोधित करने के लिए, STL फॉर्मूला को पहले डिसजंक्टिव नॉर्मल फॉर्म (DNF) में परिवर्तित किया जाता है। इसके बाद एक हल्का ह्यूरिस्टिक संभावित शाखाओं ( $\phi_k$ ) को रैंक करता है ताकि सबसे व्यवहार्य शाखा ( $\phi^*$ ) का चयन किया जा सके, जो तीन मानदंडों पर आधारित है:

टेम्पोरल-ऑपरेटर कॉम्प्लेक्सिटी: उन शाखाओं को दंडित करता है जिनमें टेम्पोरल ऑपरेटर्स (जैसे $U$ , $G$ ) का जटिल नेस्टिंग होता है, जिन्हें संतुष्ट करना अनुभवजन्य रूप से कठिन है।
मैप रीचेबिलिटी (Map Reachability): वर्तमान मैप $M$ पर ग्राफ-आधारित दूरियों (जैसे BFS/DFS) की गणना करता है ताकि उन शाखाओं को दंडित किया जा सके जिनके लिए ऐसे क्षेत्र तक पहुँचना कठिन है जो बाधाओं से घिरे हुए हैं।
टेम्पोरल स्लैक (Temporal Slack): उन शाखाओं को पुरस्कृत करता है जिनमें उप-कार्यों के बीच समय अंतराल अधिक होता है, जिससे प्रक्षेपवक्र निर्माण के लिए अधिक लचीलापन मिलता है।
डाउनस्ट्रीम प्लानिंग के लिए न्यूनतम ह्यूरिस्टिक स्कोर वाली शाखा का चयन किया जाता है।

B. समय भविष्यवाणी के लिए ट्रांजिटिव रिइंफोर्समेंट लर्निंग (TRL for Time Prediction)
एक सीखा हुआ टाइम प्रेडिक्टर उप-लक्ष्य वेपॉइंट्स के बीच यात्रा करने के लिए आवश्यक डिस्क्रीट टाइम स्टेप्स की संख्या का अनुमान लगाता है। विभिन्न मैप स्केल्स और लेआउट्स में टेम्पोरल कंसिस्टेंसी सुनिश्चित करने के लिए, प्रेडिक्टर को स्टैंडर्ड पॉइंटवाइज रिग्रेशन के बजाय ट्रांजिटिव रिइंफोर्समेंट लर्निंग (TRL) का उपयोग करके प्रशिक्षित किया गया है।

तंत्र (Mechanism): TRL यह सुनिश्चित करता है कि अनुमानित स्टेप लेंथ ट्रेनिंग डेटा द्वारा निहित सापेक्ष क्रम (relative ordering) को बनाए रखे। यदि ट्रेनिंग डेटा में प्रक्षेपवक्र $i$ , प्रक्षेपवक्य $j$ की तुलना में अधिक समय लेता है, तो मॉडल को $\hat{\Delta t}_i > \hat{\Delta t}_j$ का अनुमान लगाना चाहिए।
लॉस फंक्शन: ट्रेनिंग ऑब्जेक्टिव एक $L_1$ रिग्रेशन लॉस को एक मार्जिन-आधारित रैंकिंग लॉस ( $L_{TRL}$ ) के साथ जोड़ता है जो ट्रांजिटिव ऑर्डरिंग बाधाओं के उल्लंघन को दंडित करता है। यह समय अनुमानों के ग्लोबल कैलिब्रेशन में सुधार करता है।

C. मैप-कंडीशन्ड ट्रांसफॉर्मर प्रक्षेपवक्र जनरेटर (Map-Conditioned Transformer Trajectory Generator)
अंतिम प्रक्षेपवक्र एक ऑटोरेग्रेसिव ट्रांसफॉर्मर का उपयोग करके सिंथेसाइज किया जाता है जो निम्नलिखित पर कंडिशन होता है:

मैप टोकन: एनकोडेड बाइनरी मेज़ मैप $M$ और रीजन डिस्क्रिप्टर्स।
टाइम टोकन: चयनित STL ब्रांच से प्राप्त टेम्पोरल इंटरवल्स।
ट्रैजेक्टरी प्रीफिक्स: वर्तमान स्टेट हिस्ट्री।
मॉडल टोकन-दर-टोकन (स्टेट-दर-स्टेट) प्रक्षेपवक्र उत्पन्न करता है। ट्रेनिंग के दौरान एक्सपोजर बायस (exposure bias) को कम करने के लिए, शेड्यूल सैंपलिंग (scheduled sampling) का उपयोग किया जाता है, जो धीरे-धीरे टीचर फोर्सिंग (ग्राउंड-ट्रुथ स्टेट्स का उपयोग करके) से ऑटोरेग्रेसिव जनरेशन (मॉडल प्रेडिक्शंस का उपयोग करके) की ओर बढ़ता है। जनरेटर डायनेमिक्स-एग्नोस्टिक है, जिसका अर्थ है कि यह इन्फरेंस के समय स्पष्ट डायनेमिक मॉडल पैरामीटर्स प्राप्त नहीं करता है।

3. मुख्य योगदान (Key Contributions)

ह्यूरिस्टिक डिसजंक्शन हैंडलिंग: डिसजंक्टिव शाखाओं के चयन के लिए तीन-मानदंडों वाले हल्के ह्यूरिस्टिक का परिचय, जो व्यवहार्य लॉजिकल पाथों को टालकर व्यावहारिक रूप से हल योग्य STL स्पेसिफिकेशन्स की रेंज को महत्वपूर्ण रूप से बढ़ाता है।
वेरिएबल मैप्स पर ज़ीरो-शॉट प्लानिंग: एक मैप-कंडीशंड ट्रांसफॉर्मर प्रक्षेपवक्र जनरेटर का विकास जो बिना रिट्रेनिंग के अनदेखे बाधा लेआउट और मैप साइज के लिए सामान्यीकरण (generalize) करता है, जिससे STL सॉल्विंग की सार्वभौमिकता बढ़ती है।
टेम्पोरल ग्राउंडिंग के लिए ट्रांजिटिव रिइंफोर्समेंट लर्निंग: समय के अनुमान के लिए TRL का अनुप्रयोग, जो विभिन्न डीकंपोज्ड सब-टास्क्स के बीच सुसंगत टेम्पोरल एलोकेशन सुनिश्चित करता है और समग्र STL संतुष्टि की मजबूती (robustness) में सुधार करता है।
अनुभवजन्य सत्यापन (Empirical Validation): विविध वातावरणों (बदलते मैप कॉम्प्लेक्सिटी) और डायनेमिक्स (डबल-इंटीग्रेटर और यूनिसाइकिल मॉडल्स) में निरंतर प्रदर्शन लाभ का प्रदर्शन, जो इस फ्रेमवर्क की वितरण बदलाव (distribution shifts) के प्रति मजबूती को प्रमाणित करता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

प्रयोग ग्रिड-आधारित नेविगेशन बेंचमार्क (U-Maze फैमिली) पर किए गए, जिसमें $5\times5$ , $7\times7$ , और $9\times9$ के मैप साइज थे, और डबल-इंटीग्रेटर (DI) और यूनिसाइकिल (UNI) डायनेमिक्स दोनों का उपयोग किया गया।

सफलता दर (Success Rate): प्रस्तावित विधि ने बेसलाइन (बिना ह्यूरिस्टिक ब्रांच सिलेक्शन के समान विधि) की तुलना में सफलता दरों में निरंतर सुधार दिखाया। लाभ सबसे बड़े और अधिक जटिल मैप्स (जैसे $9\times9$ ) में सबसे अधिक स्पष्ट थे, जहाँ ह्यूरिस्टिक ने प्रभावी ढंग से अव्यवहार्य शाखाओं को हटा दिया।
मजबूती (Robustness): रूबस्टनेस वैल्यूज़ (STL संतुष्टि का मात्रात्मक माप) बेसलाइन के बराबर या उससे अधिक रहीं, जो यह दर्शाता है कि उच्च सफलता दर प्राप्त करने के लिए स्पेसिफिकेशन मार्जिन से समझौता नहीं किया गया।
दक्षता (Efficiency): जबकि номинаल प्लानिंग समय बेसलाइन के समान था, ह्यूरिस्टिक सिलेक्शन के समावेश ने सर्च स्पेस को जल्दी से कम करके प्रभावी प्लानिंग समय को काफी कम कर दिया।
सामान्यीकरण (Generalization): प्रक्षेपवक्र जनरेटर ने स्पष्ट डायनेमिक मॉडल इनपुट के बिना ही DI और UNI डायनेमिक्स के लिए व्यवहार्य प्रक्षेपवक्र सफलतापूर्वक सिंथेसाइज किए, जो मोशन मॉडल्स के बीच मजबूत ट्रांसफरैबिलिटी को प्रदर्शित करता है।

5. महत्व और दावे (Significance and Claims)

यह शोध पत्र दावा करता है कि इसका प्राथमिक महत्व डायनेमिक, अज्ञात वातावरणों में फॉर्मल लॉजिकल रीजनिंग और डेटा-ड्रिवन प्रक्षेपवक्र सिंथेसिस के बीच के अंतर को पाटने में निहित है। उच्च-स्तरीय लॉजिकल ब्रांचिंग (ह्यूरिस्टिक के माध्यम से) को लो-लेवल ज्योमेट्रिक रियलाइजेशन (ट्रांसफॉर्मर के माध्यम से) से अलग करके, यह फ्रेमवर्क वेरिएबल मैप ज्योमेट्री और जटिल डिसजंक्टिव लॉजिक के सामने मौजूदा ज़ीरो-शॉट प्लानर्स की भंगुरता (brittleness) को संबोधित करता है।

लेखक इस बात पर जोर देते हैं कि उनका दृष्टिकोण एक स्केलेबल, ज़ीरो-शॉट समाधान प्रदान करता है जिसके लिए वातावरण-विशिष्ट रिट्रेनिंग की आवश्यकता नहीं होती है, जो इसे उन वास्तविक दुनिया के परिदृश्यों में तैनात करने के लिए एक आशाजनक दिशा बनाता है जहाँ मैप और बाधाएं अप्रत्याशित रूप से बदलती हैं। TRL के एकीकरण को टेम्पोरल कोहेरेंस (temporal coherence) में सुधार के लिए एक नवीन पद्धति के रूप में रेखांकित किया गया है, जो लंबे समय के टेम्पोरल कंस्ट्रेंट्स को संतुष्ट करने के लिए एक महत्वपूर्ण कारक है।