🤖 AI

ProCompNav: Proactive Instance Navigation with Comparative Judgment for Ambiguous User Queries

ProCompNav एक दो-चरणीय ढांचा है जो एक उम्मीदवार पूल (candidate pool) को पुनरावृत्ति से निर्मित करके और लक्ष्य को विचलित करने वाले तत्वों (distractors) से कुशलतापूर्वक अलग करने के लिए बाइनरी तुलनात्मक प्रश्नों का उपयोग करके अस्पष्ट इंस्टेंस नेविगेशन प्रश्नों को हल करता है, जिससे यह सफलता दर में मौजूदा विधियों से बेहतर प्रदर्शन करते हुए उपयोगकर्ता प्रतिक्रिया की लंबाई को महत्वपूर्ण रूप से कम करता है।

मूल लेखक: Junhyuk Kwon, Seungjoon Lee, Hyejin Park, Kyle Min, Jungseul Ok

प्रकाशित 2026-05-18

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Junhyuk Kwon, Seungjoon Lee, Hyejin Park, Kyle Min, Jungseul Ok

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 विशाल, बिखरे हुए गोदाम में एक विशिष्ट वस्तु खोजने का काम सौंपा गया है, जो दिखने में बिल्कुल एक जैसी वस्तुओं से भरा हुआ है। आपका बॉस (उपयोगकर्ता) आपको एक अस्पष्ट निर्देश देता है: "कैबिनेट ढूँढो।"

समस्या क्या है? गोदाम में 50 कैबिनेट हैं। वे सभी कुछ हद तक समान दिखते हैं। कुछ बाथरूम में हैं, कुछ बेडरूम में हैं, कुछ लकड़ी के हैं, कुछ धातु के हैं। यदि आप बस पहले दिखने वाले कैबिनेट को चुन लेते हैं, तो आप गलत कैबिनेट उठा सकते हैं। यदि आप बॉस से पूछते हैं, "वह कैबिनेट कैसा दिखता है?" और वे एक लंबी, भ्रामक व्याख्या देते हैं, तो इसमें बहुत समय लगता है, और फिर भी आप भ्रमित हो सकते हैं क्योंकि वह विवरण कई कैबिनेटों पर सटीक बैठता है।

यह शोध पत्र इस समस्या को हल करने का एक नया तरीका पेश करता है, जिसे ProCompNav कहा जाता है। इसे "20 सवाल" के खेल के रूप में समझें, जिसमें एक ट्विस्ट है।

यह कैसे काम करता है, इसके सरल चरण यहाँ दिए गए हैं:

1. पुराना तरीका: "अनुमान लगाओ और जाँचो" (स्वतंत्र मिलान - Independent Matching)

कल्पना कीजिए कि एक रोबोट पुराने तरीके का उपयोग कर रहा है। वह एक कैबिनेट देखता है और पूछता है, "क्या यह नीला है?" बॉस कहता है, "हाँ।" रोबोट एक और कैबिनेट देखता है, पूछता है, "क्या यह नीला है?" बॉस कहता है, "हाँ।"

दोष: रोबोट तथ्य इकट्ठा करता रहता है (नीला, आईने के पास, लकड़ी का) और उन्हें एक समय में एक कैबिनेट से मिलाने की कोशिश करता है।
परिणाम: वह अक्सर बहुत जल्दी एक "डिस्ट्रैक्टर" (गलत कैबिनेट) चुन लेता है क्योंकि उस गलत कैबिनेट के पास भी नीला रंग और आईना होने की विशेषता होती है। रोबोट लंबे, भ्रमित करने वाले सवाल पूछने के लूप में फंस जाता है, या वह हार मान लेता है और गलत चीज़ चुन लेता है।

2. नया तरीका: "सॉर्टिंग हैट" (ProCompNav)

ProCompNav पूरी रणनीति को बदल देता है। एक सही कैबिनेट का वर्णन करने के बजाय, यह पूरे समूह को छाँटने (Sorting) पर ध्यान केंद्रित करता है।

चरण 1: भीड़ इकट्ठा करना (पूल निर्माण - Pool Construction)
सबसे पहले, रोबोट अभी कोई निर्णय नहीं लेता है। वह गोदाम में घूमता है और जितने भी कैबिनेट मिल सकते हैं, उन सभी को ढूँढ निकालता है। वह उन सभी को एक मानसिक "उम्मीदवार पूल" (Candidate Pool) में डाल देता है। अब, घास के ढेर में एक सुई खोजने के बजाय, उसके पास 10 सुइयों का ढेर है और उसे सही सुई ढूँढनी है।

चरण 2: जादुई विभाजन (तुलनात्मक निर्णय - Comparative Judgment)
"लक्ष्य क्या रंग का है?" जैसा सवाल पूछने के बजाय, रोबोट उस ढेर को देखता है और एक तुलनात्मक प्रश्न पूछता है जिसे समूह को आधा करने के लिए डिज़ाइन किया गया है।

खराब सवाल: "क्या लक्ष्य लकड़ी का है?" (हो सकता है कि सभी 10 लकड़ी के हों। इससे कोई मदद नहीं मिलेगी।)
ProCompNav सवाल: "क्या कैबिनेट के बगल में एक लाल बॉक्स है?"
- समूह A ("हाँ" वाला समूह): 3 कैबिनेट ऐसे हैं जिनके बगल में एक लाल बॉक्स है।
- समूह B ("नहीं" वाला समूह): 7 कैबिनेट ऐसे हैं जिनके बगल में लाल बॉक्स नहीं है।

चरण 3: बाइनरी कट (Binary Cut)
रोबोट उपयोगकर्ता से एक सरल हाँ/नहीं वाला सवाल पूछता है: "क्या आपके द्वारा चाहा गया कैबिनेट उसके बगल में एक लाल बॉक्स रखता है?"

यदि उपयोगकर्ता "हाँ" कहता है: तो रोबोट तुरंत समूह B के 7 कैबिनेटों को हटा देता है। वह केवल समूह A के 3 कैबिनेटों को रखता है।
यदि उपयोगकर्ता "नहीं" कहता है: तो रोबोट समूह A के 3 कैबिनेटों को हटा देता है। वह समूह B के 7 कैबिनेटों को रखता है।

चरण 4: एक शेष रहने तक दोहराएं
रोबोट इस प्रक्रिया को दोहराता है। वह बचे हुए समूह को देखता है, एक नया लक्षण ढूंढता है जो उन्हें विभाजित करता है (जैसे, "क्या ऊपर एक टीवी है?"), एक हाँ/नहीं सवाल पूछता है, और समूह को दोबारा आधा कर देता है।

राउंड 1: 10 कैबिनेट $\rightarrow$ 3 बचे।
राउंड 2: 3 कैबिनेट $\rightarrow$ 1 बचा।
पूर्ण! रोबोट ने लक्ष्य को ढूँढ लिया है।

यह बेहतर क्यों है?

शोध पत्र का दावा है कि यह विधि तीन मुख्य कारणों से एक बड़ा सुधार है:

यह "असामयिक निर्णयों" (Premature Decisions) से बचता है: निर्णय लेने से पहले एक समूह इकट्ठा करके, रोबोट गलती से किसी गलत कैबिनेट को नहीं चुनता क्योंकि वह उसे सबसे पहले दिखा था।
यह उपयोगकर्ता के लिए आसान है: कैबिनेट का एक लंबा पैराग्राफ लिखने के बजाय ("यह गहरे ओक का कैबिनेट है जिसमें चांदी के हैंडल हैं, जो नीली दीवारों वाले कमरे में रखा है..."), उपयोगकर्ता को बस "हाँ" या "नहीं" कहना होता है। यह बहुत तेज़ और कम थकाऊ है।
यह सवालों के मामले में स्मार्ट है: रोबोट रैंडम सवाल नहीं पूछता। वह विशेष रूप से ऐसे सवाल की तलाश करता है जो संदिग्धों की संख्या को आधा कर दे, ठीक वैसे ही जैसे एक जासूस संदिग्धों की सूची को कम करने के लिए यह जाँचता है कि कौन घटनास्थल पर मौजूद था।

परिणाम

शोधकर्ताओं ने कंप्यूटर सिमुलेशन (जैसे कि एक वीडियो गेम की दुनिया) पर इसका परीक्षण किया।

सफलता दर (Success Rate): ProCompNav ने पुराने तरीकों की तुलना में सही वस्तु को अधिक बार ढूँढा, भले ही उपयोगकर्ता ने बहुत अस्पष्ट निर्देश दिए हों।
दक्षता (Efficiency): इसने पुराने तरीकों की तुलना में बहुत कम सवाल और उपयोगकर्ता से बहुत छोटे उत्तर लिए।
बहुमुखी प्रतिभा (Versatility): यह एक "गैर-संवादात्मक" (Non-interactive) सेटिंग में भी अच्छी तरह से काम करता है (जहाँ रोबोट एक विस्तृत विवरण पढ़ता है लेकिन फिर भी कई वस्तुओं के बीच सही वस्तु को ढूँढना होता है), जिससे साबित होता है कि यह "तुलना और विभाजन" (Compare and Split) का तर्क एक शक्तिशाली उपकरण है।

संक्षेप में: ProCompNav रोबोट को अनुमान लगाने के बजाय छाँटने (Sorting) से शुरू करने में मदद करता है। यह एक भ्रमित खोज को निष्कासन (Elimination) के एक सरल खेल में बदल देता है, जिससे यह रोबोट के लिए तेज़ और मानव के लिए आसान हो जाता है।

तकनीकी सारांश: ProCompNav

समस्या की परिभाषा

यह शोध पत्र कोलेबोरेटिव इंस्टेंस नेविगेशन (Collaborative Instance Navigation - CoIN) को संबोधित करता है, जो एक ऐसा कार्य है जहाँ एक एम्बॉडीड एजेंट (embodied agent) को एक अस्पष्ट प्राकृतिक भाषा क्वेरी (जैसे, "अलमारी ढूँढो") के आधार पर एक विशिष्ट लक्ष्य इंस्टेंस (जैसे, "वह अलमारी") को खोजने के लिए एक अज्ञात 3D वातावरण में नेविगेट करना होता है। मानक इंस्टेंस नेविगेशन के विपरीत, जो यह मानकर चलता है कि पहले से ही एक विस्तृत और अद्वितीय विवरण दिया गया है, CoIN उन परिदृश्यों से निपटता है जहाँ न्यूनतम प्रारंभिक जानकारी का उपयोग करके लक्ष्य को समान श्रेणी के अन्य विचलित करने वाले तत्वों (distractors) से अलग नहीं किया जा सकता है।

मौजूदा दृष्टिकोण आमतौर पर एक स्वतंत्र मिलान रणनीति (independent matching strategy) का उपयोग करते हैं, जहाँ एजेंट उपयोगकर्ता से लक्ष्य के गुणों (जैसे, रंग, पास की वस्तुएं) के बारे में पूछता है और संचित जानकारी के आधार पर मिले हुए उम्मीदवारों (candidates) को स्कोर देता है। लेखक तर्क देते हैं कि इस दृष्टिकोण में दो मुख्य कमियां हैं:

असमय निर्णय (Premature Decisions): एजेंट अक्सर पर्याप्त साक्ष्य जुटाने से पहले ही उस विचलित करने वाले तत्व (distractor) को चुन लेते हैं जो वास्तविक लक्ष्य के गुणों से मेल खाता है।
अकुशल विसंदिग्धता (Inefficient Disambiguation): भले ही कई उम्मीदवार एकत्र कर लिए गए हों, प्रश्न अक्सर पूरे समूह के बीच अंतर करने के बजाय व्यक्तिगत उम्मीदवारों पर आधारित होते हैं। इससे उपयोगकर्ता को लंबे और खुले-अंत वाले उत्तर देने पड़ते हैं और दृष्टिगत रूप से समान दिखने वाले विचलित करने वाले तत्वों को अलग करने में विफलता होती है।

कार्यप्रणाली: ProCompNav

लेखक प्रोएक्टिव इंस्टेंस नेविगेशन विद कम्पैरेटिव जजमेंट (Proactive Instance Navigation with Comparative Judgment - ProCompNav) प्रस्तावित करते हैं, जो एक दो-चरणीय ढांचा है जो प्रतिमान को "लक्ष्य का वर्णन करने" से बदलकर "उम्मीदवार पूल को छाँटने" (pruning) की ओर ले जाता है।

1. पूल निर्माण चरण (Pool Construction Stage)

एजेंट अनुरोधित श्रेणी के $N$ विशिष्ट इंस्टेंस का एक उम्मीदवार पूल $C$ बनाने के लिए वातावरण का अन्वेषण करता है।

प्रतिनिधित्व (Representation): प्रत्येक उम्मीदवार को एक मल्टी-व्यू कोलाज इमेज और एक मल्टीमॉडल लार्ज लैंग्वेज मॉडल (MLLM) द्वारा जनरेट किए गए मल्टी-व्यू विवरण द्वारा दर्शाया जाता है।
एकत्रीकरण (Aggregation): एजेंट विभिन्न दृष्टिकोणों से 3D पॉइंट क्लाउड और RGB दृश्यों को एकत्रित करता है ताकि प्रत्येक उम्मीदवार का एक व्यापक विवरण बनाया जा सके, जो उन गुणों को भी कैप्चर करता है जो एकल दृश्य से छूट सकते हैं।
ट्रिगर (Trigger): जैसे ही पूल का आकार एक न्यूनतम थ्रेशोल्ड ( $N_{min}$ ) तक पहुँच जाता है, एजेंट तुलना चरण में चला जाता है।

2. रिकर्सिव कंपैरिजन स्टेज (Recursive Comparison Stage - RCJ)

स्वतंत्र मिलान के बजाय, RCJ तुलनात्मक निर्णय (Comparative Judgment) के आधार पर बाइनरी हाँ/ना प्रश्नों का उपयोग करके उम्मीदवार पूल को पुनरावर्ती रूप से छाँटता है।

कोर सेट चयन (Core Set Selection): प्रत्येक दौर $t$ में, वर्तमान सक्रिय पूल $U_t$ को एक कोर सेट ( $G_c$ ) और एक शेष सेट ( $G_r$ ) में विभाजित किया जाता है। कोर सेट को इंट्रा-सेट समानता को अधिकतम करने के लिए चुना जाता है (टेक्स्ट और विजुअल एम्बेडिंग का उपयोग करके ग्रीडी पीलिंग एल्गोरिदम), यह सुनिश्चित करते हुए कि $G_c$ में अर्थपूर्ण रूप से समान इंस्टेंस शामिल हों।
विभेदक विशेषता (Discriminative Attribute - DA) खोज: सिस्टम एक ऐसी विशेषता $a^*_t$ $a_{t}^{*}$ की पहचान करता है जो $G_c$ $G_{c}$ में मौजूद है लेकिन $G_r$ $G_{r}$ में अनुपस्थित है।
- विशेषताओं को LLM का उपयोग करके $G_c$ से निकाला जाता है।
- एक नेचुरल लैंग्वेज इंफेरेंस (NLI) मॉडल एक सत्यापनकर्ता (verifier) के रूप में कार्य करता है जो प्रत्येक इंस्टेंस के लिए एंटेलमेंट (entailment) को स्कोर करता है, जिससे दोनों सेटों के बीच के अंतर को मापा जा सके।
- वह विशेषता जो दोनों सेटों के बीच एंटेलमेंट स्कोर के अपेक्षित अंतर को अधिकतम करती है, उसे चुना जाता है।
परिष्करण (Refinement): चयनित DA के विरुद्ध उम्मीदवारों का पुनर्मूल्यांकन करके शेष सेट को परिष्कृत किया जाता है ताकि यह सुनिश्चित हो सके कि विभाजन स्पष्ट है।
इंटरएक्टिव प्रूनिंग (Interactive Pruning): एजेंट उपयोगकर्ता से पूछता है: "क्या लक्ष्य में [विशेषता] है?"
- यदि हाँ: पूल को $G_c$ में अपडेट किया जाता है।
- यदि नहीं: पूल को $G_r$ में अपडेट किया जाता है।
- यदि पूल का आकार 1 हो जाता है, तो लक्ष्य की पहचान हो जाती है। यदि पूल खाली हो जाता है (यह संकेत देते हुए कि लक्ष्य प्रारंभिक पूल में नहीं था), तो एजेंट अधिक उम्मीदवारों को जोड़ने के लिए अन्वेषण फिर से शुरू करता है।

मुख्य योगदान

तुलनात्मक निर्णय रणनीति (Comparative Judgment Strategy): यह पेपर स्वतंत्र मिलान से "संग्रहण-फिर-तुलना" (collect-then-compare) पाइपलाइन की ओर बदलाव पेश करता है। यह विसंदिग्धता को एक हाइपोथेटिकल लक्ष्य के बारे में तथ्य जुटाने के बजाय, उम्मीदवार पूल को विभाजित करने वाले प्रश्न चुनने की प्रक्रिया के रूप में पुनर्परिभाषित करता है।
रिकर्सिव कम्पैरेटिव जजमेंट (RCJ): एक विशिष्ट एल्गोरिदम जो बाइनरी प्रश्नों का उपयोग करके उम्मीदवार पूल को छाँटने के लिए पुनरावर्ती रूप से विभेदक विशेषता-मूल्य युग्मों (attribute-value pairs) को निकालता है। इसके लिए केवल यह आवश्यक है कि एक विशेषता वर्तमान पूल को दो गैर-रिक्त समूहों में विभाजित करे, न कि यह कि वह तुरंत लक्ष्य की विशिष्ट पहचान करे।
कम उपयोगकर्ता बोझ (Reduced User Burden): ऐसे बाइनरी प्रश्न पूछकर जो एक साथ कई उम्मीदवारों को हटा देते हैं, यह विधि खुले-अंत वाले विवरणों की तुलना में उपयोगकर्ता की प्रतिक्रिया की लंबाई को काफी कम कर देती है।

प्रयोगात्मक परिणाम

विधि का मूल्यांकन CoIN-Bench (इंटरैक्टिव, अस्पष्ट क्वेरी) और TextNav (गैर-इंटरैक्टिव, विस्तृत क्वेरी) पर किया गया।

CoIN-Bench (इंटरैक्टिव): ProCompNav ने AIUTA और 3D-Mem जैसे इंटरैक्टिव और नॉन-इंटरैक्टिव बेसलाइन्स की तुलना में सभी स्प्लिट्स (Seen, Seen Synonyms, Unseen) में उच्चतम सफलता दर (Success Rate - SR) प्राप्त की।
- SR सुधार: इसने Val Seen पर 23.7% SR प्राप्त किया, जो सर्वश्रेष्ठ इंटरैक्टिव बेसलाइन (AIUTA*) के 10.5% से बेहतर है।
- दक्षता: इसने औसत रिस्पॉन्स लेंथ (RL) को ~109.5 टोकन (AIUTA) से घटाकर 4.2 टोकन कर दिया, और प्रश्नों की संख्या (NQ) को 2.2 तक कम कर दिया।
TextNav (नॉन-इंटरैक्टिव): जब इसे नॉन-इंटरैक्टिव सेटिंग (विस्तृत विवरणों से सीधे विशेषताओं को निकालना) में अनुकूलित किया गया, तो ProCompNav ने 28.5% की स्टेट-ऑफ-द-आर्ट SR प्राप्त की, जो अन्य ट्रेनिंग-फ्री तरीकों से बेहतर है।
एब्लेशन स्टडीज (Ablation Studies): परिणामों ने मल्टी-व्यू एग्रीगेशन, NLI-आधारित वेरिफायर (LLM-ओनली स्कोरिंग के ऊपर), और समानता-आधारित कोर सेट चयन (KMeans से बेहतर) की आवश्यकता की पुष्टि की।

महत्व और दावे

यह पेपर दावा करता है कि ProCompNav यह प्रदर्शित करता है कि तुलनात्मक निर्णय (comparative judgment) इंस्टेंस-स्तरीय नेविगेशन के लिए एक व्यापक रूप से उपयोगी तंत्र है, विशेष रूप से तब जब विचलित करने वाले तत्व (distractors) दृष्टिगत रूप से समान हों।

मजबूती (Robustness): यह विधि समयपूर्व निर्णयों के विरुद्ध अधिक मजबूत है क्योंकि यह तब तक अंतिम निर्णय को टाल देती है जब तक कि उम्मीदवार पूल का निर्माण और तुलना न हो जाए।
सामान्यीकरण (Generalization): निर्णय को टालने और विभेदक विशेषताओं के माध्यम से छंटनी करने का मूल तंत्र नॉन-इंटरैक्टिव सेटिंग्स में भी प्रभावी है जहाँ विस्तृत विवरण उपलब्ध हैं, जो यह सुझाव देता है कि उम्मीदवारों की तुलना हमेशा एक-दूसरे के विरुद्ध की जानी चाहिए न कि स्वतंत्र रूप से स्कोर किया जाना चाहिए।
उपयोगकर्ता अनुभव (User Experience): यह दृष्टिकोण लंबे विवरणों के स्थान पर संक्षिप्त बाइनरी पुष्टिकरणों का उपयोग करके उपयोगकर्ताओं के संज्ञानात्मक और मौखिक बोझ को काफी कम कर देता है।

लेखक सीमाओं का उल्लेख करते हैं, जिसमें वर्तमान सिमुलेशन और MLLM यूजर सिम्युलेटर पर निर्भरता, और बहुत कम समान-श्रेणी के इंस्टेंस वाले वातावरण में पूल निर्माण चरण की संभावित अक्षमता शामिल है। वे वास्तविक दुनिया के रोबोटिक परिनियोजन और गतिशील पूल आकार अनुकूलन में भविष्य के कार्य का सुझाव देते हैं।