🤖 AI

From Noise to Control: Parameterized Diffusion Policies

यह शोधपत्र पैरामीट्राइज़्ड डिफ्यूज़न पॉलिसी (PDP) पेश करता है, जो एक ऐसा फ्रेमवर्क है जो कम-आयामी निरंतर मापदंडों (low-dimensional continuous parameters) को एक सीखे हुए व्यवहार मैनिफोल्ड (behavior manifold) में समाहित करता है ताकि डिफ्यूज़न मॉडल्स को स्टोकेस्टिक जनरेटरों से बदलकर रोबोटिक व्यवहारों को निर्देशित करने और बिना पुन: प्रशिक्षण के नवीन बाधाओं के अनुकूल होने के लिए सटीक, अनुकूलन योग्य उपकरणों में रूपांतरित किया जा सके।

मूल लेखक: Renhao Zhang, Haotian Fu, Mingxi Jia, George Konidaris, Yilun Du, Bruno Castro da Silva

प्रकाशित 2026-06-02

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Renhao Zhang, Haotian Fu, Mingxi Jia, George Konidaris, Yilun Du, Bruno Castro da Silva

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

यहाँ "From Noise to Control: Parameterized Diffusion Policies" पेपर का सरल भाषा और रोज़मर्रा के उदाहरणों का उपयोग करते हुए हिंदी अनुवाद दिया गया है।

बड़ी समस्या: एक ही काम को करने के बहुत सारे तरीके

कल्पना कीजिए कि आप एक रोबोट को दराज (drawer) बंद करना सिखा रहे हैं। वास्तविक दुनिया में, इसे करने का केवल एक "परफेक्ट" तरीका नहीं होता। रोबोट हैंडल के पास बाईं ओर से, दाईं ओर से, ऊपर से, या यहाँ तक कि नीचे से भी आ सकता है। ये सभी काम पूरा करने के वैध तरीके हैं।

अतीत में, रोबोट लर्निंग के तरीकों ने इन सभी अलग-अलग तरीकों को आपस में मिलाने (average करने) की कोशिश की। परिणाम क्या हुआ? रोबोट ने एक ऐसा "बीच का" मूवमेंट करने की कोशिश की जो वास्तव में ठीक से काम नहीं करता था—वह शायद बाधा से टकरा जाता या हैंडल को पूरी तरह से मिस कर देता।

हाल ही में, वैज्ञानिकों ने डिफ्यूजन पॉलिसीज़ (Diffusion Policies) का उपयोग करना शुरू किया। इन्हें एक "रचनात्मक कलाकार" (creative artist) रोबोट की तरह समझें। औसत निकालने के बजाय, यह कलाकार कई अलग-अलग और अनूठे तरीके बना सकता है। हालाँकि, यह कलाकार थोड़ा अराजक (chaotic) है। यदि आप इसे "दराज बंद करने" के लिए कहते हैं, तो यह एक रैंडम स्टाइल चुन सकता है। यदि आप अचानक रास्ते में एक किताब रख देते हैं (एक नई बाधा/constraint), तो कलाकार को यह नहीं पता होता कि कैसे तालमेल बिठाना है। यह बस रैंडम स्टाइल्स चुनता रहता है, इस उम्मीद में कि शायद उनमें से कोई गलती से काम कर जाए। यह वैसा ही है जैसे स्टीयरिंग व्हील को बेतरतीब ढंग से हिलाकर कार चलाने की कोशिश करना और यह उम्मीद करना कि आप सड़क पर बने रहेंगे।

समाधान: PDP (Parameterized Diffusion Policy)

लेखक PDP नामक एक नया फ्रेमवर्क प्रस्तावित करते हैं। वे उस अराजक कलाकार को एक सटीक और नियंत्रित ड्राइवर में बदलना चाहते हैं।

यहाँ बताया गया है कि वे इसे कैसे करते हैं, एक सरल उदाहरण का उपयोग करते हुए:

1. "व्यवहार मानचित्र" (The Behavior Map / The Manifold)

कल्पना कीजिए कि रोबोट के पास हिलने-डुलने के सभी अलग-अलग तरीकों का एक नक्शा है। स्टैंडर्ड डिफ्यूजन में, यह नक्शा ऊन के एक उलझे हुए गोले जैसा है जहाँ थोड़ा सा भी हिलने पर आप पूरी तरह से किसी दूसरे, असंबंधित मूवमेंट पर जा सकते हैं।

PDP एक साफ और व्यवस्थित नक्शा बनाता है। इस नक्शे पर, पास के बिंदु ऐसे मूवमेंट दर्शाते हैं जो शारीरिक रूप से समान हैं (जैसे हैंडल के पास बाईं ओर से आना बनाम बहुत बाईं ओर से आना)। दूर के बिंदु बहुत अलग रणनीतियों को दर्शाते हैं (जैसे बाईं ओर से आना बनाम दाईं ओर से आना)। इसे "ज्यामिति-संरेखित व्यवहार मैनिफोल्ड" (geometry-aligned behavior manifold) कहा जाता है।

2. "डायल" (The Dial / The Parameter)

रोबोट को रैंडम मूवमेंट चुनने देने के बजाय, PDP रोबोट को एक लो-डायमेंशनल डायल (एक पैरामीटर जिसे $z$ कहा जाता है) देता है।

डायल को थोड़ा घुमाने से रोबोट एक रणनीति से दूसरी समान रणनीति की ओर सुचारू रूप से बढ़ता है।
इसे पूरा घुमाने से वह पूरी तरह से अलग रणनीति पर पहुँच जाता है।

यह डायल रोबोट के व्यवहार के लिए एक रिमोट कंट्रोल की तरह काम करता है। आपको अपनी सोच बदलने के लिए पूरे रोबोट को फिर से ट्रेन करने की ज़रूरत नहीं है; आप बस डायल घुमाते हैं।

3. "जीपीएस" (The GPS / Latent Fitting)

जब वातावरण बदल जाता है तो क्या होता है? मान लीजिए कि एक नई बाधा आ गई है जो "बाईं ओर" वाले एप्रोच को रोक रही है।

पुराना तरीका: रोबोट रैंडम रणनीतियाँ आज़माता रहता है, इस उम्मीद में कि कोई काम कर जाए।
PDP का तरीका: रोबट बाधा को देखता है और पूछता है, "मेरे डायल की कौन सी सेटिंग मुझे इसके चारों ओर से ले जाएगी?" वह तुरंत अपने डायल के लिए वह सटीक सेटिंग ( $z$ ) कैलकुलेट करता है जो नई स्थिति के अनुकूल हो। यह एक GPS की तरह है जो पूरे कार को फिर से बनाने के बजाय तुरंत रास्ता रीकैल्क्युलेट करता है।

यह क्यों महत्वपूर्ण है (परिणाम)

पेपर का परीक्षण सिम्युलेटेड रोबोट्स और एक असली रोबोटिक आर्म (Franka Panda) पर किया गया। उन्होंने जटिल परिदृश्य बनाए जहाँ रोबोट को बाधाओं से बचना था या अलग-अलग कोणों से कप उठाने थे।

परीक्षण: उन्होंने नियम बदल दिए (बाधाएं जोड़ दीं) और रोबोट को इसे हल करने का केवल एक नया उदाहरण दिया।
परिणाम:
- स्टैंडर्ड रोबोट्स (और स्टैंडर्ड डिफ्यूजन पॉलिसीज़) बुरी तरह विफल रहे। वे नई बाधा के अनुकूल ढलने में सक्षम नहीं थे।
- PDP सफल रहा। इसने अपनी "डायल" का उपयोग करके तुरंत नई रणनीति खोज ली। यह एक नया तरीका भी बना सका जो इसने पहले कभी नहीं देखा था, बस अपने डायल को दो ज्ञात रणनीतियों के बीच के स्थान पर स्लाइड करके।

"सीक्रेट सॉस" (The Secret Sauce)

पेपर उन दो मुख्य ट्रिक्स पर प्रकाश डालता है जिन्होंने इसे सफल बनाया:

नक्शा व्यवस्थित है: उन्होंने यह सुनिश्चित करने के लिए एक विशेष गणितीय टूल (Soft-DTW) का उपयोग किया कि दो बिंदुओं के बीच की दूरी वास्तव में भौतिक मूवमेंट के अंतर से मेल खाती है। यह नक्शे को सुचारू और नेविगेट करने में आसान बनाता है।
गहरा संबंध (The Deep Connection): उन्होंने डायल की सेटिंग को केवल एक साधारण नंबर के रूप में रोबोट के दिमाग में नहीं डाला। उन्होंने इसे रोबोट के निर्णय लेने वाले परतों (decision-making layers) में गहराई से बुना। यह सुनिश्चित करता है कि रोबोट वास्तव में डायल की बात सुनता है और उसके अनुसार अपना व्यवहार बदलता है, न कि उसे अनदेखा करता है।

सारांश

PDP को रोबोट के व्यक्तित्व के लिए एक रिमोट कंट्रोल देने के रूप में समझें। दुनिया बदलने पर रोबोट के सही मूव को रैंडमली ढूंढने की उम्मीद करने के बजाय, आप बस नई बाधा से निपटने के लिए आवश्यक सटीक सेटिंग पर डायल घुमा सकते हैं। यह "रैंडम अनुमान" को "सटीक स्टीयरिंग" में बदल देता है।

तकनीकी सारांश: पैरामीटराइज्ड डिफ्यूजन पॉलिसीज़ (PDP)

समस्या विवरण (Problem Statement)

वास्तविक दुनिया के रोबोटिक कार्य अक्सर अपर्याप्त रूप से निर्दिष्ट (underspecified) होते हैं, जहाँ एक ही लक्ष्य को कई अलग-अलग क्रिया अनुक्रमों (multimodal behaviors) द्वारा प्राप्त किया जा सकता है। हालाँकि मानक डिफ्यूजन पॉलिसीज़ (DP) मल्टीमॉडल वितरणों को मॉडल करने के लिए एक शक्तिशाली प्रतिमान (paradigm) के रूप में उभरी हैं, वे नियंत्रण क्षमता (controllability) की कमी से ग्रस्त हैं। विशेष रूप से, मानक मूल्यांकन अक्सर अवलोकन-पक्ष के वितरण बदलावों (जैसे, कैमरा उपस्थिति में परिवर्तन) पर ध्यान केंद्रित करते हैं, लेकिन तैनाती की विफलताएँ अक्सर बाधा-प्रेरित व्यवहार बदलावों (constraint-induced behavior shifts) के कारण होती हैं। इन परिदृश्यों में, पर्यावरणीय परिवर्तन (जैसे, नए अवरोध या संपर्क बाधाएं) पहले से प्रदर्शित रणनीतियों को अमान्य कर देते हैं, जिससे रोबोट को एक अलग मौजूदा मोड चुनने या एक नया व्यवहार खोजने के लिए मजबूर होना पड़ता है।

वर्तमान डिफ्यूजन पॉलिसीज़ विविधता के लिए स्टोकेस्टिक शोर (stochastic noise) पर निर्भर करती हैं। टेस्ट टाइम पर उच्च-आयामी शोर स्थान (high-dimensional noise space) को अनुकूलित करके इन नीतियों को निर्देशित करना अक्सर इल-कंडीशन्ड (ill-conditioned) होता है: शोर में छोटे परिवर्तन बड़े, अप्रत्याशित या अव्यवहारिक (infeasible) प्रक्षेपवक्र (trajectory) परिवर्तनों की ओर ले जा सकते हैं। इसके अलावा, व्यवहार स्टीयरिंग (behavior steering) के लिए मौजूदा विधियाँ या तो पॉलिसी वेट्स को फिर से प्रशिक्षित करने की आवश्यकता रखती हैं (धीमी, डेटा-भारी) या डिस्क्रीट स्किल टोकन पर निर्भर करती हैं जो नियंत्रण को सीमित व्यवहारों के एक परिमित सेट तक प्रतिबंधित कर देते हैं, जिससे सुचारू इंटरपोलेशन (smooth interpolation) संभव नहीं हो पाता।

कार्यप्रणाली: पैरामीटराइज्ड डिफ्यूजन पॉलिसी (PDP)

लेखक पैरामीटराइज्ड डिफ्यूजन पॉलिसी (PDP) का प्रस्ताव करते हैं, जो एक ढांचा है जो डिफ्यूजन को स्टोकेस्टिक विविधता के तंत्र से बदलकर व्यवहार स्टीयरिंग के लिए एक सटीक, अनुकूलन योग्य उपकरण में बदल देता है। PDP डिफ्यूजन डिनोइज़र (denoiser) को प्रदर्शनों (demonstrations) से सीखे गए एक निम्न-आयामी, निरंतर व्यवहार लेटेंट वेरिएबल $z$ पर आधारित करता है।

1. ज्योमेट्री-अलाइन्ड बिहेवियर मैनिफोल्ड (Geometry-Aligned Behavior Manifold)

मुख्य नवाचार एक व्यवहार मैनिफोल्ड का निर्माण है जहाँ लेटेंट कोड्स के बीच यूक्लिडियन दूरियां भौतिक प्रक्षेपवक्रों की अर्थ संबंधी समानता को दर्शाती हैं।

ट्रैजेक्टरी एनकोडर: एक ट्रैजेक्टरी एनकोडर $E_\phi$ प्रदर्शन प्रक्षेपवक्रों $\tau$ को एक लेटेंट कोड $z$ में मैप करता है।
ज्योमेट्री अलाइनमेंट: मानक वेरिएशनल ऑटोएनकोडर्स (VAEs) के विपरीत, PDP स्पष्ट रूप से सॉफ्ट-DTW (Soft Dynamic Time Warping) का उपयोग करके लेटेंट स्पेस की ज्योमेट्री को भौतिक प्रक्षेपवक्रम समानता के साथ संरेखित करता है। प्रशिक्षण उद्देश्य में एक ज्योमेट्री लॉस $L_{geo}$ शामिल है जो लेटेंट दूरी $\|z_i - z_j\|$ और सॉफ्ट-DTW के माध्यम से गणना की गई भौतिक प्रक्षेपवक्र दूरी के बीच एक रैखिक पत्राचार (linear correspondence) को लागू करता है। यह सुनिश्चित करता है कि $z$ में छोटे परिवर्तन निष्पादित प्रक्षेपवक्र में सुचारू, अनुमानित परिवर्तन लाते हैं।
संयुक्त उद्देश्य (Joint Objective): एनकोडर-डिकोडर को रिकंस्ट्रक्शन लॉस, KL-डाइवर्जेंस (नियमितीकरण के लिए), और ज्योमेट्री अलाइनमेंट लॉस को कम करने के लिए प्रशिक्षित किया जाता है।

2. पैरामीटराइज्ड डिफ्यूजन डिनोइज़र (Parameterized Diffusion Denoiser)

डिफ्यूजन पॉलिसी $\pi_\theta$ पर्यावरणीय संदर्भ $c_t$ और व्यवहार लेटेंट $z$ दोनों पर आधारित एक्शन चंक्स (action chunks) उत्पन्न करती है।

ग्लोबल मॉड्यूलेशन (Global Modulation): साधारण कॉनकैटिनेशन (concatenation) के बजाय, लेटेंट $z$ को FiLM से प्रेरित एक ग्लोबल मॉड्यूलेशन तंत्र के माध्यम से डिनोइज़र में एकीकृत किया जाता है। लेटेंट को लेयर-विशिष्ट एफाइन पैरामीटर्स ( $\gamma, \beta$ ) में परिवर्तित किया जाता है जो इंटरमीडिएट फीचर मैप्स को स्केल और शिफ्ट करते हैं। यह गहरा एकीकरण निम्न-आयामी लेटेंट को उच्च-आयामी एक्शन जनरेशन प्रक्रिया को प्रभावी ढंग से निर्देशित करने की अनुमति देता है।
डिकपल्ड ट्रेनिंग (Decoupled Training): डिफ्यूजन लॉस द्वारा लेटेंट मैनिफोल्ड की सावधानीपूर्वक संरचित ज्योमेट्री को विकृत होने से रोकने के लिए, एनकोडर को डिनोइज़र ऑप्टिमाइज़ेशन चरण के दौरान स्टॉप-ग्रेडिएंट ऑपरेटर के साथ प्रशिक्षित किया जाता है।

3. टेस्ट-टाइम कंट्रोल और अडैप्टेशन (Test-Time Control and Adaptation)

PDP बिना पॉलिसी वेट्स को अपडेट किए तेज़, डेटा-हल्का अनुकूलन सक्षम बनाता है।

लेटेंट फिटिंग: जब नई बाधाओं या एक लक्षित व्यवहार $\tilde{\tau}$ का सामना होता है, तो सिस्टम एक डिफ्यूजन-कंसिस्टेंट फिटिंग लॉस को कम करने के लिए लेटेंट कोड $z$ को अनुकूलित करता है। यह उस विशिष्ट व्यवहार मोड की पहचान करता है जो नई बाधाओं को सर्वोत्तम रूप से संतुष्ट करता है।
सिमेंटिक वार्म-स्टार्ट (Semantic Warm-Start): अनुकूलन को एनकोडर के नए प्रदर्शन ( $z_0 = E_\phi(\tilde{\tau})$ ) के पूर्वानुमान का उपयोग करके इनिशियलाइज़ किया जाता है, जो खोज को मैनिफोल्ड के एक सुव्यवस्थित क्षेत्र में रखता है।
लॉन्ग-होरिजन अडैप्टेशन: जटिल कार्यों के लिए, PDP पीसवाइज-कांस्टेंट लेटेंट सीक्वेंस का समर्थन करता है, जिससे कार्य के विभिन्न चरणों को स्वतंत्र रूप से अनुकूलित किया जा सकता है।

मुख्य योगदान (Key Contributions)

पैरामीटराइज्ड डिफ्यूजन फ्रेमवर्क: PDP पेश करता है, जो स्टोकेस्टिक शोर स्टीयरिंग को स्पष्ट व्यवहार नियंत्रण के लिए एक निरंतर, ज्योमेट्री-अलाइन्ड लेटेंट पैरामीटर $z$ से बदल देता है।
ज्योमेट्री-अलाइन्ड मैनिफोल्ड: यह प्रदर्शित करता है कि भौतिक प्रक्षेपवक्रम समानता (Soft-DTW के माध्यम से) के साथ लेटेंट दूरियों को संरेखित करने से सुचारू इंटरपोलेशन और अनुमानित स्टीयरिंग सक्षम होता है, जो शोर-स्थान अनुकूलन की इल-कंडीशन्ड प्रकृति को हल करता है।
डीप लेटेंट इंटीग्रेशन: एक ग्लोबल मॉड्यूलेशन आर्किटेक्चर का प्रस्ताव करता है जो उच्च-आयामी डिफ्यूजन डिनोइज़र्स में निम्न-आयामी व्यवहार संकेतों को सफलतापूर्वक एकीकृत करता है, जो साधारण कॉनकैटिनेशन से बेहतर प्रदर्शन करता है।
कुशल टेस्ट-टाइम अडैप्टेशन: दिखाता है कि केवल लेटेंट $z$ (ग्रेडिएंट डिसेंट के माध्यम से) को अनुकूलित करना, बिना पॉलिसी को फिर से प्रशिक्षित किए, एक एकल प्रदर्शन का उपयोग करके नवीन बाधाओं के प्रति तीव्र अनुकूलन की अनुमति देता है।

प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने सिमुलेशन (RLBench, Robomimic, Franka Kitchen, D3IL) और वास्तविक फ्रैंका एमिका पांडा रोबोट पर नौ मल्टीमॉडल मैनिपुलेशन डोमेन के सूट पर PDP का मूल्यांकन किया।

मूल मल्टीमॉडल प्रदर्शन: PDP ने सभी कार्यों में लगातार उच्च सफलता दर हासिल की, जो मानक DP, BC-GMM, और VQ-BeT सहित अत्याधुनिक बेसलाइन्स के बराबर या उनसे बेहतर रही। इसने मानक DP की तुलना में मल्टीमॉडल वितरणों के पुनर्निर्माण में बेहतर स्थिरता प्रदर्शित की, जो अक्सर मोड अस्पष्टता के कारण शोर वाले, असंगत रोलआउट उत्पन्न करता है।
बाधा-प्रेरित बदलाव (Constraint-Induced Shifts): उन परिदृश्यों में जहाँ पर्यावरणीय बाधाओं ने अधिकांश प्रशिक्षण मोड को अमान्य कर दिया:
- मौजूदा मोड फिटिंग: PDP ने लगभग पूर्ण सफलता प्राप्त की (उदाहरण के लिए, CloseDrawer पर 100%), जो उन बेसलाइन्स से काफी बेहतर है जो एकल व्यवहार योग्य मोड तक अभिसरण (converge) करने में विफल रहे।
- नवीन व्यवहार खोज: "जीरो-मोड-फिजिबल" सेटिंग्स में (जहाँ कोई प्रशिक्षण मोड काम नहीं करता है और एक नया व्यवहार संश्लेषित किया जाना चाहिए), PDP एकमात्र तरीका था जो लगातार सफल हुआ। बेसलाइन्स, जिनमें वेट्स को फाइन-ट्यून करने वाले (BC) या इवोल्यूशनरी सर्च (Diff-ES) का उपयोग करने वाले शामिल हैं, प्रशिक्षण डेटा में अनुपस्थित व्यवहार योग्य रणनीतियों को संश्लेषित करने में विफल रहे।
रियल-रोबोट रोबस्टनेस: वास्तविक रोबोट OpenDrawer कार्य पर, PDP ने बाधा बदलावों के तहत 100% सफलता दर बनाए रखी, जबकि मानक DP की सफलता गिरकर 20% हो गई। यह PDP की वास्तविक दुनिया के शोर के प्रति मजबूती और एक स्थिर नियंत्रण हैंडल प्रदान करने की क्षमता को उजागर करता है।
एब्लेशन स्टडीज (Ablation Studies):
- ज्योमेट्री अलाइनमेंट को हटाने या डिस्क्रीट लेटेंट्स का उपयोग करने से गंभीर प्रदर्शन गिरावट हुई, जो निरंतर, मेट्रिक-अलाइन्ड मैनिफोल्ड की आवश्यकता की पुष्टि करती है।
- ग्लोबल मॉड्यूलेशन ने कॉनकैटिनेशन की तुलना में काफी बेहतर प्रदर्शन किया, जिससे प्रशिक्षण हानि कम हुई और अनुकूलन सफलता में सुधार हुआ।
- सिमेंटिक वार्म-स्टार्ट्स महत्वपूर्ण थे; रैंडम इनिशियलाइज़ेशन व्यापक अनुकूलन चरणों के बाद भी व्यवहार्य रणनीतियों को खोजने में विफल रहा।

महत्व और दावे (Significance and Claims)

यह पेपर दावा करता है कि PDP मौलिक रूप से डिफ्यूजन-आधारित नियंत्रण के प्रतिमान को "शोर-संचालित विविधता" से "पैरामीटराइज्ड बिहेवियर स्टीयरिंग" में बदल देता है। अपने लेटेंट स्पेस को भौतिक प्रक्षेपवक्रम समानता को प्रतिबिंबित करने के लिए संरचित करके, PDP डिफ्यूजन को एक ऐसे उपकरण में बदल देता है जो न केवल अभिव्यंजक है बल्कि नियंत्रण योग्य और अनुकूलन योग्य भी है।

लेखक इस बात पर जोर देते हैं कि यह दृष्टिकोण रोबोट लर्निंग के एक महत्वपूर्ण अंतर को संबोधित करता है: बिना पुन: प्रशिक्षण के तेजी से और विश्वसनीय रूप से बदलते बाधाओं के अनुकूल होने की क्षमता। उनका तर्क है कि जबकि डिफ्यूजन मॉडल मल्टीमॉडल डेटा को दर्शाने में उत्कृष्ट हैं, बिना एक संरचित इंटरफ़ेस के उनकी उपयोगिता वास्तविक दुनिया की तैनाती में सीमित है। PDP यह इंटरफ़ेस प्रदान करता है, जिससे रोबट सक्षम होते हैं:

ज्ञात रणनीतियों के बीच सुचारू रूप से इंटरपोलेट करना ताकि नवीन, व्यवहार योग्य व्यवहारों को संश्लेषित किया जा सके।
लाखों नेटवर्क वेट्स को फिर से प्रशिक्षित करने के बजाय, एक कॉम्पैक्ट सेट के मापदंडों (लेटेंट $z$ ) को अनुकूलित करके नई बाधाओं के प्रति तेजी से अनुकूलित होना।
वास्तविक दुनिया के परिवेश में मजबूती से संचालित होना जहाँ निष्पादन शोर और बाधा बदलाव सामान्य हैं।

यह कार्य सुझाव देता है कि अगले स्तर की अनुकूलन योग्य रोबोटिक पॉलिसियों के लिए स्पष्ट, ज्योमेट्री-अलाइन्ड बिहेवियर मैनिफोल्ड आवश्यक हैं, विशेष रूप से उन परिदृश्यों में जिनमें प्रशिक्षण डेटासेट में स्पष्ट रूप से मौजूद व्यवहारों के संश्लेषण की आवश्यकता होती है।