💻 computer science

Nautilus: From One Prompt to Plug-and-Play Robot Learning

यह शोध पत्र NAUTILUS को प्रस्तुत करता है, जो एक ओपन-सोर्स हारनेस है जो प्लग-एंड-प्ले एजेंट स्किल्स, यूनिफाइड इंटरफेस और स्केलेबल चैंबरड एक्जीक्यूशन प्रदान करके सिंगल प्रॉम्प्ट्स को ऑटोमेटेड, वैलिडेटेड रोबोट लर्निंग वर्कफ़्लो में बदल देता है ताकि उस इंजीनियरिंग विखंडन को समाप्त किया जा सके जो वर्तमान में क्रॉस-फैमिली पॉलिसी रिप्रोडक्शन और इवैल्यूएशन में बाधा डाल रहा है।

मूल लेखक: Yufeng Jin, Jianfei Guo, Xiaogang Jia, Yu Deng, Zechu Li, Han Liu, Weiran Liao, Vignesh Prasad, Mathias Franzius, Gerhard Neumann, Georgia Chalvatzaki

प्रकाशित 2026-05-13

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yufeng Jin, Jianfei Guo, Xiaogang Jia, Yu Deng, Zechu Li, Han Liu, Weiran Liao, Vignesh Prasad, Mathias Franzius, Gerhard Neumann, Georgia Chalvatzaki

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 रोबोट लर्निंग की दुनिया एक विशाल, अराजक निर्माण स्थल (construction site) की तरह है। एक तरफ, आपके पास आर्किटेक्ट्स (architects) हैं जो नए रोबोटिक दिमाग (जिन्हें "पॉलिसी" कहा जाता है) डिजाइन कर रहे हैं। दूसरी तरफ, टेस्ट ट्रैक्स (test tracks) (बेंचमार्क) हैं जहाँ रोबोट चलना या वस्तुओं को उठाना सीखते हैं। और तीसरी तरफ, वास्तविक रोबोट हैं, जो साधारण हाथों से लेकर मानव जैसे चलने वाले रोबोटों तक विस्तृत हैं।

इस पेपर के अनुसार समस्या यह है कि किसी एक आर्किटेक्ट को किसी एक टेस्ट ट्रैक से और किसी एक रोबोट से जोड़ना एक दुस्वप्न (nightmare) है। हर बार जब कोई शोधकर्ता एक नए दिमाग को एक नए ट्रैक और एक नए रोबट पर टेस्ट करना चाहता है, तो उन्हें शुरुआत से ही एक कस्टम पुल बनाना पड़ता है। उन्हें भाषाओं को मिलाने के लिए "ग्लू कोड" (glue code) लिखना पड़ता है, सॉफ्टवेयर के टकराते हुए वर्ज़न को ठीक करना पड़ता है, और यह सुनिश्चित करना पड़ता है कि रोबोट क्रैश न हो जाए। यह ऐसा है जैसे टोस्टर को कार के इंजन में, टोस्टर को अंतरिक्ष यान में, और टोस्टर को एक नाव में प्लग करने की कोशिश करना—हर बार, आपको एक नया अडैप्टर बनाना पड़ता है।

पेश है Nautilus।

लेखक Nautilus को एक यूनिवर्सल "प्लग-एंड-प्ले" हार्नेस के रूप में प्रस्तावित करते हैं। इसे पूरे रोबोट लर्निंग उद्योग के लिए एक स्मार्ट, जादुई अडैप्टर स्टेशन के रूप में समझें।

यह कैसे काम करता है, यहाँ सरल उपमाओं (analogies) का उपयोग किया गया है:

1. "यूनिवर्सल पावर स्ट्रिप" (Typed Contracts)

वर्तमान में, हर रोबोट और हर दिमाग एक अलग भाषा बोलता है। Nautilus एक मानकीकृत पावर स्ट्रिप (standardized power strip) पेश करता है।

उपमा: कल्पना कीजिए कि यदि आपके घर के हर उपकरण (टोस्टर, लैंप, टीवी) को दीवार के आउटलेट में फिट होने के लिए फिर से वायरिंग करनी पड़े। Nautilus कहता है, "अब और रीवायरिंग नहीं।" यह हर रोबलेट ब्रेन और हर टेस्ट ट्रैक को अपने प्लग के लिए एक एकल, सख्त आकार (जिसे "टाइप्ड कॉन्ट्रैक्ट्स" कहा जाता है) पर सहमत होने के लिए मजबूर करता है।
परिणाम: एक बार जब एक रोबोट ब्रेन इस मानक में प्लग हो जाता है, तो यह बिना किसी कस्टम अडैप्टर के तुरंत किसी भी टेस्ट ट्रैक या रोबोट से जुड़ सकता है।

2. "साउंडप्रूफ बूथ" (Chambered Execution)

रोबोट सॉफ्टवेयर अव्यवस्थित होता है। एक रोबोट को वीडियो गेम इंजन के एक विशिष्ट संस्करण की आवश्यकता हो सकती है, जबकि दूसरे को भौतिकी सिम्युलेटर (physics simulator) के एक अलग संस्करण की। यदि आप उन्हें एक ही कंप्यूटर पर चलाते हैं, तो वे आपस में लड़ते हैं और क्रैश हो जाते हैं।

उपमा: Nautilus प्रत्येक प्रयोग के लिए साउंडप्रूफ बूथ (कंटेनर्स) बनाता है। रोबोट ब्रेन एक बूथ में रहता है, टेस्ट ट्रैक दूसरे में, और रोबोट स्वयं तीसरे में। वे एक सुरक्षित खिड़की के माध्यम से एक-दूसरे से बात कर सकते हैं, लेकिन उनके आंतरिक टूल्स कभी आपस में नहीं टकराते।
परिणाम: आप सॉफ्टवेयर संघर्षों की चिंता किए बिना किसी भी संयोजन को मिक्स और मैच कर सकते हैं।

3. "स्मार्ट प्रोजेक्ट मैनेजर" (The Agent)

पेपर एक लार्ज लैंग्वेज मॉडल (एक AI कोडर) का उपयोग करता है जो भारी काम करता है। लेकिन आमतौर पर, AI कोडर रोबोटिक्स में विफल हो जाते हैं क्योंकि वे क्षेत्र के "अलिखित नियमों" को नहीं जानते हैं।

उपमा: Nautilus AI कोडर को एक नियम पुस्तिका और चेकलिस्ट (जिन्हें गाइड्स और सेंसर्स कहा जाता है) देता है।
- गाइड्स (Guides): AI द्वारा कोड लिखने से पहले, नियम पुस्तिका उसे बताती है, "हे, रोबोट्स को शुरू करने से पहले रीसेट होने की आवश्यकता होती है, और आपको यह जांचना चाहिए कि बैटरी सुरक्षित है या नहीं।"
- सेंसर्स (Sensors): AI द्वारा कोड लिखे जाने के बाद, एक सुरक्षा निरीक्षक इसकी जांच करता है। "क्या आपने वास्तव में परीक्षण किया कि रोबोट हिलता है? क्या आपने डेटा फॉर्मेट की जांच की?" यदि उत्तर 'नहीं' है, तो AI को आगे बढ़ने से पहले इसे ठीक करना होगा।
परिणाम: AI केवल अनुमान नहीं लगाता; यह एक सिद्ध, सुरक्षित वर्कफ़्लो का पालन करता है जिसका उपयोग शोधकर्ता हर दिन करते हैं।

4. "नॉटिलस शेल" (Scalability)

इसका नाम नॉटिलस शेल (nautilus shell) से आया है जो नए चैंबर्स जोड़कर बढ़ता है।

उपमा: एक विशाल, कठोर ढांचे के निर्माण के बजाय जो नया रोबोट जोड़ने पर टूट जाता है, Nautilus नए चैंबर्स जोड़कर बढ़ता है। यदि कोई शोधकर्ता एक नया रोबोट (जैसे कि एक नए प्रकार का हाथ) जोड़ता है, तो वे बस सिस्टम में एक नया "चैंबर" जोड़ देते हैं। बाकी सिस्टम को फिर से बनाने की आवश्यकता नहीं होती है।
परिणाम: सिस्टम अधिक जटिल हुए बिना बड़ा और अधिक उपयोगी होता जाता है।

उन्होंने वास्तव में क्या सिद्ध किया?

यह पेपर यह दावा नहीं करता कि Nautilus ने कोई नया रोबोट ब्रेन बनाया है या इसने रोबोट्स को पहले से अधिक स्मार्ट बना दिया है। इसके बजाय, उन्होंने सिद्ध किया:

यह एक अनुवादक के रूप में काम करता है: उन्होंने मौजूदा रोबोट ब्रेन्स को मौजूदा बेंचमार्क पर Nautilus का उपयोग करके टेस्ट किया, और परिणाम मूल लेखकों के दावों से मेल खाते थे।
यह समय बचाता है: उन्होंने दिखाया कि Nautilus का उपयोग करके एक नए रोबोट ब्रेन को एक नए टेस्ट ट्रैक से जोड़ना, इसे मैन्युअल रूप से करने की तुलना में बहुत तेज़ और सस्ता है। यह काम को हर जोड़ी के लिए एक पुल बनाने के बजाय पूरे सिस्टम के लिए एक पुल बनाने तक कम कर देता है।
यह वास्तविक रोबोट पर काम करता है: उन्होंने सफलतापूर्वक एक रोबोट ब्रेन को जो सिमुलेशन में प्रशिक्षित किया गया था, उसे Nautilus में लपेटा, और बिना ब्रेन का कोड बदले दो बहुत अलग वास्तविक रोबोटों (एक फ्रैंका रोबोटिक आर्म और एक यूनिट्री H1 ह्यूमनॉइड रोबोट) पर तैनात किया।

संक्षेप में: Nautilus एक नया रोबोट ब्रेन नहीं है; यह वह यूनिवर्सल ट्रांसलेटर और सेफ्टी इंस्पेक्टर है जो अलग-अलग रोबोट ब्रेन्स, टेस्ट ट्रैक्स और रोबोट्स को अंततः एक-दूसरे से बात करने की अनुमति देता है, बिना हर बार इंजीनियरों की एक टीम को कस्टम ब्रिज बनाने की आवश्यकता के।

तकनीकी सारांश: नॉटिलस (Nautilus): एक प्रॉम्प्ट से प्लग-एंड-प्ले रोबोट लर्निंग तक

1. समस्या विवरण

रोबोट लर्निंग अनुसंधान वर्तमान में तीन बड़े स्वतंत्र अक्षों के बीच खंडित है: पॉलिसी परिवार ( $P$ , जैसे, IL, RL, VLA, WAM), बेंचमार्क सूट्स ( $B$ , जैसे, LIBERO, ManiSkill), और रोबोट एम्बॉडिमैंट्स ( $R$ , जैसे, Franka, Unitree H1)। किसी विशिष्ट ट्रिपलेट $(P, B, R)$ को एकीकृत करने के लिए आमतौर पर Docker सेटअप, ऑब्जर्वेशन एडैप्टर और ट्रस्ट-वैलिडेशन प्रक्रियाओं वाले एक अलग, हस्तलिखित एकीकरण स्तर (integration layer) की आवश्यकता होती है।

यह विखंडन एक "हार्नेस गैप" (harness gap) पैदा करता है। जबकि लार्ज लैंग्वेज मॉडल्स (LLMs) ने कोड जनरेशन में प्रगति की है, वे अक्सर रोबोटिक्स में एंड-टू-एंड पुनरुत्पादित (reproduced) परिणाम देने में विफल रहते हैं क्योंकि उनमें रोबोटिक्स वर्कफ़्लो के लिए विशिष्ट प्रोसीजरल प्रायर्स (procedural priors) और वैलिडेशन प्रथाओं का अभाव होता है। इंजीनियरिंग का बोझ $\Theta(N \cdot M \cdot K)$ के रूप में बढ़ता है, जहाँ $N, M, K$ क्रमशः पॉलिसियों, बेंचमार्क और रोबोटों की संख्या हैं। मौजूदा फ्रेमवर्क (जैसे, LeRobot, Isaac Lab) अक्सर निश्चित घटकों से जुड़े होते हैं, जबकि सामान्य-उद्देश्य वाले कोडिंग एजेंट जटिल डिपेंडेंसी संघर्षों और इंटरफेस मिसमैच को नेविगेट करने के लिए आवश्यक डोमेन-विशिष्ट स्कैफोल्डिंग की कमी रखते हैं।

2. कार्यप्रणाली: द नॉटिलस हार्नेस (The NAUTILUS Harness)

लेखक NAUTILUS का प्रस्ताव करते हैं, जो एक ओपन-सोर्स, एजेंट-फेसिंग हार्नेस है जिसे एक एकल प्राकृतिक भाषा प्रॉम्प्ट (जैसे, "Evaluate policy A with benchmark B") को तैयार-से-उपयोग योग्य रिप्रोडक्शन, इवैल्यूएशन, फाइन-ट्यूनिंग और डिप्लॉयमेंट वर्कफ़्लो में बदलने के लिए डिज़ाइन किया गया है। NAUTILUS दो परतों में संरचित है: एक सबस्ट्रेट (substrate) और एक कंटेंट लेयर (content layer)।

2.1 द सबस्ट्रेट (इंजीनियरिंग इनवेरियंट्स)

सबस्ट्रेट एजेंट के तर्क करने के लिए एक स्थिर सतह प्रदान करता है, जिससे एकीकरण की जटिलता $\Theta(N \cdot M \cdot K)$ से घटकर $\Theta(N + M + K)$ हो जाती है। यह तीन इनवेरियंट्स पर निर्भर करता है:

टाइप्ड इंटरफेस कॉन्ट्रैक्ट्स (Typed Interface Contracts): पॉलिसियों, बेंचमार्क और रोबोटों को निश्चित, मशीन-रीडेबल स्कीमा (जैसे, infer(obs) -> actions, reset(seed), apply_action) के माध्यम से प्रदर्शित किया जाता है। ये कॉन्ट्रैक्ट्स कार्यान्वयन-विशिष्ट मशीनरी (जैसे, CUDA स्टैक, ROS 2 ड्राइवर्स) को छिपाते हैं और एकीकरण की इकाई को परिभाषित करते हैं।
चैम्बर्ड एक्जीक्यूशन (Chambered Execution): जनरेट किए गए आर्टिफैक्ट्स डिस्पोजेबल, आइसोलेटेड कंटेनरों में चलते हैं। यह रोकता है कि डिपेंडेंसी फेल्योर (जैसे, परस्पर विरोधी CUDA वर्शन्स) मॉड्यूल के बीच लीक हों। एक पॉलिसी कंटेनर, एक बेंचमार्क कंटेनर और एक हार्डवेयर कंटेनर एजेंट के दृष्टिकोण से एक ही आर्किटेक्चरल स्लॉट में होते हैं।
यूनिफॉर्म इंटर-मॉड्यूल कम्युनिकेशन:
- टियर 1 (रोबोट-लोकल): हाई-बैंडविड्थ सेंसिंग और कंट्रोल मूल रोबोट स्टैक (जैसे, ROS 2, शेयर्ड मेमोरी) में ही रहता है।
- टियर 2 (ऑफ-रोबोट): एजेंट केवल एक हल्का WebSocket प्रोटोकॉल देखता है जो पॉलिसी कंटेनर को बेंचमार्क या रियल-रोबोट एंडपॉइंट से जोड़ता है। यह सुनिश्चित करता है कि सिम्युलेटेड और रियल-रोबोट एंडपॉइंट्स एक ही ऑब्जर्वेशन/एक्शन स्कीमा साझा करें।

2.2 द कंटेंट लेयर (गाइड्स, सेंसर्स, स्टेट)

सबस्ट्रेट के ऊपर निर्मित, यह लेयर रोबोटिक्स रिसर्च वर्कफ़्लो को स्पष्ट, पुन: प्रयोज्य घटकों में संकुचित करती है:

गाइड्स (Guides): प्री-जनरेशन निर्देश जो एजेंट के व्यवहार को निर्देशित करते हैं, कोड लिखने से पहले रूटिंग नियम, सब-एजेंट भूमिकाएं और वैलिडेशन प्रोटोकॉल प्रदान करते हैं।
सेंसर्स (Sensors): पोस्ट-जनरेशन वैलिडेटर्स जो छह मानदंडों (जैसे, प्री-एक्शन फ़िल्टरिंग, इंटरफेस वेरिफिकेशन, स्पेक कंपेरिजन, स्मोक टेस्टिंग) के विरुद्ध आर्टिफैक्ट्स की जांच करते हैं। सेंसर्स स्थानीय सुधार (local corrections) को ट्रिगर कर सकते हैं या यदि कॉन्ट्रैक्ट का उल्लंघन होता है तो रन को ब्लॉक कर सकते हैं।
स्टेट (State): एक निरंतर, JSON-स्कीमा-वैलिडेटेड रजिस्ट्री जो टाइप्ड कॉन्ट्रैक्ट्स और पिन्ड आर्टिफैक्ट्स (सोर्स कमिट्स, डॉकर इमेजेस) को स्टोर करती है। यह एजेंट को रिपॉजिटरी लेआउट को शून्य से फिर से खोजने के बजाय सत्यापित मॉड्यूल ज्ञान को पुनः उपयोग करने की अनुमति देता है।
वर्कस्पेस आर्टिफैक्ट्स (Workspace Artefacts): अपेंड-ओन्ली लॉग्स और रिप्रोडक्शन रसीदें जो हर रन के लिए सोर्स कमिट, एनवायरनमेंट विकल्प और निर्णयों को रिकॉर्ड करती हैं।

2.3 एक्जीक्यूशन फ्लो

जब कोई उपयोगकर्ता एक प्रॉम्प्ट जारी करता है (जैसे, "Run $\pi_0$ on LIBERO"), तो ऑर्केस्ट्रेटर अनुरोध को एक विशिष्ट सब-एजेंट वर्कफ़्लो की ओर रूट करता है। सिस्टम सत्यापित प्रविष्टियों के लिए स्टेट रजिस्ट्री की जाँच करता है। यदि अनुपलब्ध है, तो यह पॉलिसी और बेंचमार्क मॉड्यूल को समानांतर में जनरेट करता है, उनके टाइप्ड स्पेक्स (जैसे, ऑब्जर्वेशन कीज़, एक्शन शेप्स) की तुलना करता है, एक WebSocket स्मोक टेस्ट निष्पादित करता है, और रिप्रोडक्शन रसीदें लिखता है।

3. मुख्य योगदान

मॉड्यूलर सबस्ट्रेट: टाइप्ड कॉन्ट्रैक्ट्स, चैम्बर्ड एक्जीक्यूशन और यूनिफॉर्म ट्रांसपोर्ट पर आधारित एक सिस्टम जो क्रॉस-फैमिली रोबोट लर्निंग के एकीकरण लागत को कम करता है।
डिस्टिल्ड प्रोसीजरल प्रायर्स: टैसिट (tacit) रोबोटिक्स वर्कफ़्लो ज्ञान को स्पष्ट गाइड्स और सेंसर्स में बदलना, एजेंट के "ब्लैक बॉक्स" जनरेशन को एक सत्यापित, स्टेप-बाय-स्टेप प्रक्रिया में बदलना।
ओपन-सोर्स प्लेटफॉर्म: चार पॉलिसी फैमिलीज (IL, VLA, RL, WAM), छह बेंचमार्क सूट्स और चार एम्बॉडिमेंट क्लासेस को सपोर्ट करने वाले स्ट्रक्चर्ड वर्कफ़्लो के साथ NAUTILUS का रिलीज। इसमें nautilus-collect शामिल है, जो एक डेटा-कलेक्शन प्लेटफॉर्म है जो हेट्रोजेनियस हार्डवेयर (Franka और Unitree H1) पर समान रोबोट कॉन्ट्रैक्ट को वैलिडेट करता है।
एक्सटेंसिबल रजिस्ट्री: एक कम्युनिटी प्लेटफॉर्म जहाँ नए पॉलिसियों, बेंचमार्क या रोबोटों को फ्रेमवर्क कोड को संशोधित किए बिना 3-5 टाइप्ड मेथड कॉन्ट्रैक्ट्स के माध्यम से ऑनबोर्ड किया जा सकता है, बशर्ते वे ट्रस्ट-वैलिडेशन प्रोटोकॉल पास करें।

4. प्रयोगात्मक परिणाम

पेपर का मूल्यांकन तीन अध्ययनों के माध्यम से किया गया है:

बेंचमार्क ट्रस्ट वैलिडेशन: सिस्टम ने सार्वजनिक पॉलिसियों (Diffusion Policy, $\pi_0$ , OpenVLA, आदि) के लिए LIBERO, ManiSkill, RoboTwin, ALOHA, और RoboCasa में रेफरेंस परिणामों को सफलतापूर्वक पुनरुत्पादित किया। जनरेटेड रैपर्स ने छोटे विचलन (जैसे, $\Delta \approx \pm 2\%$ ) के साथ रेफरेंस स्कोर को वफादारी से पुनरुत्पादित किया, यह पुष्टि करते हुए कि एडैप्टर इच्छित इवैल्यूएशन प्रोटोकॉल को बनाए रखते हैं।
एक्सटेंसिबिलिटी पर एब्लेशन: एक "लीव-वन-बेंचमार्क-आउट" टेस्टबेड में, NAUTILUS की तुलना एक वैनिला कोडिंग एजेंट से की गई।
- सफलता: NAUTILUS ने 100% रैप सफलता और उच्च टास्क सफलता (Claude Opus 4.7 पर 98.7%) हासिल की।
- लागत दक्षता: टाइप्ड टेम्पलेट (सबस्ट्रेट) को हटाने से रैप सफलता घटकर 55.3% हो गई और टोकन का उपयोग तीन गुना (41.7M टोकन) हो गया, यह दर्शाता है कि सबस्ट्रेट एजेंट को ग्लू कोड (glue code) को फिर से सीखने से रोकता है।
- मॉडल स्केलिंग: हार्नेस ने कमजोर मॉडल्स (Claude Sonnet 4.6) पर भी अधिक सापेक्ष लाभ प्रदान किया, जिससे वैनिला एजेंट की तुलना में इंटरैक्शन टर्न ~27% कम हुए और लागत ~8% कम हुई।
रियल-रोबोट डिप्लॉयमेंट: सिस्टम ने सफलतापूर्वक एक Franka आर्म पर एक VLA मैनिपुलेशन चेकपॉइंट ( $\pi_0.5$ ) और एक Unitree H1 पर एक RL लोकोमोशन पॉलिसी को तैनात किया। दोनों मामलों में, सिमुलेशन के लिए रैप की गई वही पॉलिसी आर्टिफैक्ट, केवल हार्डवेयर कंटेनर को बदलकर, हार्डवेयर पर ट्रांसफर की गई, जिसमें पॉलिसी कोड या प्लेटफॉर्म-साइड कंटेनर में कोई बदलाव नहीं हुआ।

5. महत्व और दावे

पेपर का तर्क है कि रोबोट लर्निंग में एजेंटिक ऑटोमेशन के लिए प्राथमिक बाधा LLM मॉडल की क्षमता नहीं है, बल्कि उसके चारों ओर का हार्नेस इंजीनियरिंग है। NAUTILUS प्रदर्शित करता है कि एक स्थिर, कॉन्ट्रैक्ट-आधारित सबस्ट्रेट और स्पष्ट वैलिडेशन प्रदान करके, क्रॉस-फैमिली रिप्रोडक्शन और इवैल्यूएशन के इंजीनियरिंग बोझ को काफी कम किया जा सकता है।

लेखक दावा करते हैं कि NAUTILUS खंडित अनुसंधान वर्कफ़्लो को संरचित, एजेंटिक प्रक्रियाओं में बदल देता है। डोमेन विशेषज्ञता (कॉन्ट्रैक्ट्स, वैलिडेशन प्रोटोकॉल, स्टेट मैनेजमेंट) को एग्जीक्यूटेबल, रियूजेबल और इंस्पेक्टेबल बनाकर, यह सिस्टम शोधकर्ताओं को प्रत्येक नए $(P, B, R)$ कॉम्बिनेशन के लिए हैंड-क्यूरेटेड ग्लू कोड लिखे बिना अपने वर्कफ़्लो को स्केल करने में सक्षम बनाता है। यह कार्य NAUTILUS को न केवल स्वचालन के उपकरण के रूप में, बल्कि एक ऐसे भविष्य की ओर एक कदम के रूप में स्थापित करता है जहाँ एक्सपर्ट-बिल्ट हार्नेस मॉडल्स को पूरे रोबोट लर्निंग इकोसिस्टम में डोमेन विशेषज्ञता को स्केल करने की अनुमति देते हैं।