💻 computer science

OpenEAI-Platform: An Open-source Embodied Artificial Intelligence Hardware-Software Unified Platform

यह शोध पत्र OpenEAI-Platform को प्रस्तुत करता है, जो एक पूर्णतः ओपन-सोर्स हार्डवेयर-सॉफ्टवेयर एकीकृत प्रणाली है जिसमें एक कम लागत वाला, उच्च-सटीक 6+1-dof रोबोटिक आर्म और एक पुनरुत्पादित विजन-लैंग्वेज-एक्शन मॉडल शामिल है जो केवल ओपन-सोर्स डेटा का उपयोग करके व्यावसायिक आर्म्स और बड़े पैमाने के बेसलाइन्स के तुलनीय प्रदर्शन प्राप्त करता है।

मूल लेखक: Jinyuan Zhang, Luoyi Fan, Leiyu Wang, Yeqiang Wang, Yicheng Zhu, Cewu Lu, Nanyang Ye

प्रकाशित 2026-06-03

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jinyuan Zhang, Luoyi Fan, Leiyu Wang, Yeqiang Wang, Yicheng Zhu, Cewu Lu, Nanyang Ye

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 OpenEAI-Platform पेपर का विवरण दिया गया है, जिसे रोज़मर्रा की भाषा और रचनात्मक उपमाओं (analogies) के साथ अनुवादित किया गया है।

मुख्य विचार: एक "डू-इट-योरसेल्फ" (खुद से बनाने वाला) रोबोट मस्तिष्क और शरीर बनाना

कल्पना कीजिए कि आप एक रोबोट को शर्ट तह करना या चाय बनाना सिखाना चाहते हैं। अतीत में, यह ओवन मिट्स (दस्ताने) पहनकर फेरारी का इंजन बनाने की कोशिश करने जैसा था: हार्डवेयर (रोबोट का हाथ) खरीदना बहुत महंगा था, और सॉफ्टवेयर (मस्तिष्क) एक "ब्लैक बॉक्स" था जिसके अंदर क्या है, यह कोई देख नहीं सकता था और न ही उसे कॉपी कर सकता था।

इस पेपर के लेखक कहते हैं, "आइए इसे ठीक करते हैं।" उन्होंने OpenEAI-Platform बनाया है, जो एक पूरी तरह से ओपन-सोर्स सिस्टम है जिसमें रोबोट का हाथ (हार्डवेयर) और AI मस्तिष्क (सॉफ्टवेयर) दोनों शामिल हैं। उनका लक्ष्य इसे सस्ता और आसान बनाना है ताकि कोई भी ऐसा रोबोट बना सके जो इंसानों की तरह वास्तविक दुनिया के कार्यों को करना सीख सके।

भाग 1: शरीर (OpenEAI-Arm)

समस्या:
अनुसंधान (research) में उपयोग किए जाने वाले अधिकांश रोबोटिक हाथ लग्जरी कारों की तरह होते हैं। उनकी कीमत $7,000 से$ 40,000 के बीच होती है। वे अक्सर "ब्लैक बॉक्स" भी होते हैं, जिसका अर्थ है कि आप आसानी से यह नहीं बदल सकते कि उनके मोटर कैसे काम करते हैं या वे कैसे चलते हैं। यह एक ऐसी कार खरीदने जैसा है जहाँ आप इंजन या स्टीयरिंग व्हील को छू भी नहीं सकते; आप बस एक बटन दबाते हैं और उम्मीद करते हैं कि यह काम करेगा।

समाधान:
टीम ने OpenE-AI-Arm बनाया।

उपमा: इसे रोबोटिक हाथों का "IKEA" समझें। इसे बनाने की लागत केवल लगभग $790 है (दूसरों के मुकाबले हजारों के मुकाबले)।
यह कैसे काम करता है: उन्होंने इसे बनाने के लिए केवल अनुमान नहीं लगाया। उन्होंने एक सुपर-स्मार्ट गणितीय एल्गोरिदम (डिजाइन के लिए GPS की तरह) का उपयोग किया ताकि एकदम सही आकार और जोड़ों के कोणों का पता लगाया जा सके। यह सुनिश्चित करता है कि हाथ हर उस जगह तक पहुँच सके जहाँ उसे ज़रूरत है, बिना अटके या अपने पुर्जों को जल्दी घिसे बिना।
परिणाम: यह हल्का, मजबूत है और सुचारू रूप से चलता है। परीक्षणों में, जब इसे समान निर्देश दिए गए, तो इसने महंगे व्यावसायिक हाथों के समान (और कभी-कभी बेहतर) प्रदर्शन किया।

भाग 2: मस्तिष्क (OpenEAI-VLA)

समस्या:
रोबोट को चलाने के लिए, आपको एक "विज़न-लैंग्वेज-एक्शन" (VLA) मॉडल की आवश्यकता होती है। यह एक AI है जो एक तस्वीर देखता है, एक वाक्य पढ़ता है (जैसे "काली शर्ट को तह करो"), और निर्णय लेता है कि क्या करना है।

मुद्दा: मौजूदा सर्वश्रेष्ठ AI मस्तिष्क गुप्त, विशाल डेटासेट पर प्रशिक्षित होते हैं जो केवल बड़ी कंपनियों के पास होते हैं। यह एक मैनुअल पढ़कर गाड़ी चलाना सीखने जैसा है जिसे केवल निर्माता के पास ही रखा गया है। यदि आप डेटा देख नहीं सकते, तो आप परिणामों को दोबारा नहीं बना सकते।

समाधान:
उन्होंने OpenEAI-VLA बनाया।

उपमा: एक गुप्त रेसिपी के बजाय, उन्होंने एक सार्वजनिक कुकबुक (cookbook) बनाई। उन्होंने अपने AI को केवल उसी डेटा का उपयोग करके प्रशिक्षित किया जो इंटरनेट पर सभी के लिए मुफ्त और उपलब्ध है।
दो-चरणीय प्रशिक्षण (Two-Step Training):
1. "स्कूल" चरण (Pretraining): AI सामान्य अवधारणाओं को सीखने के लिए लाखों सार्वजनिक रोबोट वीडियो और चित्रों को पढ़ता है (जैसे "कप" कैसा दिखता है, "पकड़ने" का क्या अर्थ है)।
2. "इंटर्नशिप" चरण (Fine-tuning): AI विशिष्ट OpenEAI-Arm पर थोड़े से नए डेटा के साथ अभ्यास करता है ताकि यह सीख सके कि वास्तव में इस विशिष्ट हाथ को कैसे हिलाना है।
जादुई ट्रिक: उन्होंने एक "लर्नेबल क्वेरी" (Learnable Query) का उपयोग किया। कल्पना कीजिए कि AI के पास ज्ञान का एक विशाल पुस्तकालय है। हर बार जब उसे हिलने की आवश्यकता होती है, तो वह पूरे पुस्तकालय को पढ़ने के बजाय, एक विशेष बुकमार्क (क्वेरी) का उपयोग करता है ताकि तुरंत वही जानकारी निकाली जा सके जिसकी उसे कार्य के लिए आवश्यकता है। यह इसे तेज़ और कुशल बनाता है।

भाग 3: तंत्रिका तंत्र (Control Design)

समस्या:
एक बेहतरीन मस्तिष्क और शरीर होने के बावजूद, रोबोट झटकेदार हो सकता है। यदि AI कहता है "यहाँ जाओ," और रोबोट वहाँ जाता है, फिर रुक जाता है, फिर फिर से चलता है, तो वह हिलेगा और चीजें गिरा देगा। यह एक ऐसी कार चलाने जैसा है जहाँ गैस पेडल "ऑन" और "ऑफ" के बीच फंसा हुआ है और बीच का कोई रास्ता नहीं है।

समाधान:
उन्होंने एक विशेष नियंत्रण प्रणाली बनाई है जो एक सुचारू चालक (smooth driver) की तरह काम करती है।

उपमा: वे "बेज़ियर इंटरपोलेशन" (Bézier interpolation) नामक तकनीक का उपयोग करते हैं। कल्पना कीजिए कि दो बिंदुओं के बीच एक रेखा खींचना। एक टेढ़ी-मेढ़ी रेखा झटकेदार होती है; एक चिकनी वक्र (curve) आसान होती है। रोबोट का नियंत्रण सिस्टम AI के ऊबड़-खाबड़ निर्देशों को चिकने, बहते हुए वक्रों में बदल देता है।
परिणाम: हाथ मानव हाथ की तरह कोमलता से चलता है, न कि रोबोट की तरह झटके लेता है। यह इसे तौलिया तह करने जैसे नाजुक कार्यों को बिना फटे संभालने की अनुमति देता है।

भाग 4: परिणाम (क्या यह काम कर गया?)

टीम ने चार वास्तविक दुनिया के कार्यों पर अपने सिस्टम का परीक्षण किया:

टेबल साफ करना (वस्तुओं को उठाना)।
चाय बनाना (कार्यों का एक क्रम)।
तौलिया तह करना (नरम, ढीले कपड़े के साथ काम करना)।
टी-शर्ट तह करना (एक कठिन, दो-हाथों के समन्वय वाला कार्य)।

निष्कर्ष:

हार्डवेयर: $790 वाला हाथ$ 10,000 वाले हाथों जितना ही अच्छा काम करता है।
सॉफ्टवेयर: उनका AI, जो केवल मुफ्त डेटा पर प्रशिक्षित है, अत्याधुनिक मॉडलों के लगभग बराबर प्रदर्शन करता है जो गुप्त, विशाल डेटा पर प्रशिक्षित हैं।
तुलना: जब उन्होंने एक ही AI मस्तिष्क का परीक्षण विभिन्न रोबोटिक हाथों पर किया, तो OpenEAI-Arm सबसे विश्वसनीय था। सस्ते, "ब्लैक बॉक्स" वाले हाथ अक्सर विफल हो जाते थे क्योंकि वे पर्याप्त सटीकता से नहीं चल पाते थे।

निचोड़ (The Bottom Line)

पेपर का दावा है कि ब्लूप्रिंट (हाथ कैसे बनाया जाए), कोड (इसे कैसे नियंत्रित किया जाए), और प्रशिक्षण रेसिपी (AI को कैसे सिखाया जाए) को खोलकर, उन्होंने रोबोट अनुसंधान की सबसे बड़ी बाधाओं को हटा दिया है।

रूपक (Metaphor):
इस पेपर से पहले, एक स्मार्ट रोबोट बनाना वैसा ही था जैसे केवल उन ईंटों का उपयोग करके घर बनाना जिन्हें आपको एक ही महंगे आपूर्तिकर्ता से खरीदना पड़ता है, और एक ऐसे ब्लूप्रिंट के साथ जिसे आप देख नहीं सकते।
OpenEAI-Platform एक विस्तृत ब्लूप्रिंट, सस्ती सामग्री की सूची और खुद घर बनाने के लिए चरण-दर-चरण मार्गदर्शिका देने जैसा है। उन्होंने साबित किया कि सही डिज़ाइन के साथ, एक स्मार्ट, सक्षम रोबोट बनाने के लिए आपको अमीर होने की आवश्यकता नहीं है।

नोट: यह पेपर विशेष रूप से हार्डवेयर डिज़ाइन, AI प्रशिक्षण पाइपलाइन और इन विशिष्ट हेरफेर कार्यों पर प्रदर्शन पर केंद्रित है। यह दावा नहीं करता है कि यह सिस्टम मेडिकल उपयोग, औद्योगिक बड़े पैमाने पर उत्पादन या वर्णित अनुसंधान संदर्भ के बाहर अन्य विशिष्ट अनुप्रयोगों के लिए तैयार है।

तकनीकी सारांश: OpenEAI-Platform

समस्या विवरण

वास्तविक दुनिया के हेरफेर (manipulation) में एम्बॉडीड एआई (Embodied AI) की प्रगति वर्तमान में दो प्राथमिक बाधाओं के कारण रुकी हुई है: पुनरुत्पादकता (reproducibility) और स्केलेबिलिटी (scalability)।

हार्डवेयर सीमाएँ: मौजूदा सिस्टम अक्सर महंगे वाणिज्यिक रोबोटिक आर्म्स (₹7,000 से ₹40,000 से अधिक तक) या सीमित डिग्री ऑफ फ्रीडम (DoF) और पेलोड वाले 3D-प्रिंटेड प्रोटोटाइप पर निर्भर करते हैं। वाणिज्यिक आर्म्स अक्सर "ब्लैक बॉक्स" होते हैं जिनके इंटरफेस प्रोप्रायटरी (proprietary) होते हैं, जो विजन-लैंग्वेज-एक्शन (VLA) एल्गोरिदम और लो-लेवल कंट्रोल के बीच के जुड़ाव की जांच करने में बाधा डालते हैं। इसके अलावा, मैनिपुलेटर्स के बीच संरचनात्मक अंतर क्रॉस-एम्बॉडमेंट अंतराल पैदा करते हैं जो निष्पक्ष तुलना और ट्रांसफर लर्निंग में बाधा डालते हैं।
एल्गोरिदम सीमाएँ: अत्याधुनिक VLA मॉडल (जैसे कि फिजिकल इंटेलिजेंस सीरीज़ $\pi_0$ , $\pi_0.5$ ) बड़े पैमाने के, प्रोप्रायटरी डेटासेट्स और निजी प्रशिक्षण इंफ्रास्ट्रक्चर पर निर्भर करते हैं। यह "डेटा आइलैंड्स" बनाता है जहाँ ओपन-सोर्स डेटासेट्स में स्टेट/एक्शन डेफिनिशन असंगत होते हैं, जिससे परिणामों को पुनरुत्पादित करना या महत्वपूर्ण इंजीनियरिंग ओवरहेड के बिना डेटा संग्रह को स्केल करना कठिन हो जाता है।

कार्यप्रणाली (Methodology)

लेखक OpenEAI-Platform पेश करते हैं, जो एक पूर्णतः ओपन-सोर्स हार्डवेयर-सॉफ्टवेयर एकीकृत प्रणाली है जिसे एंड-टू-एंड पुनरुत्पादकता के माध्यम से इन बाधाओं को दूर करने के लिए डिज़ाइन किया गया है।

1. हार्डवेयर: OpenEAI-Arm

यह प्लेटफॉर्म एक कम लागत वाला, 6+1 DoF रोबोटिक आर्म है जिसे मानव-केंद्रित डेस्कटॉप मैनिपुलेशन के लिए डिज़ाइन किया गया है।

डिज़ाइन अनुकूलन: आर्म की ज्यामिति को एक मल्टी-ऑब्जेक्टिव NSGA-III एल्गोरिदम का उपयोग करके अनुकूलित किया गया है, जो दो मेट्रिक्स को लक्षित करता है: मैनिपुलेशन ऑपरेबिलिटी (कार्य-प्रासंगिक क्षेत्रों में किनेमैटिक समाधान की प्रचुरता) और एंड्योरेंस एफिशिएंसी (मैकेनिकल वियर और ऊर्जा लागत को कम करना)। डिज़ाइन मानवशास्त्रीय (anthropometric) बाधाओं का पालन करता है।
कंट्रोल सिस्टम: डिस्क्रीट VLA एक्शन चंक्स के स्थिर निष्पादन को सुनिश्चित करने के लिए, सिस्टम एक डायनामिक्स-कंपेंसेटेड PID (FF-PID) कंट्रोलर का उपयोग करता है। यह जड़त्व (inertia), कोरिओलिस और गुरुत्वाकर्षण के लिए फीडफॉरवर्ड टॉर्क मुआवजे के लिए एक यूलर-लैग्रेंज डायनेमिक मॉडल का उपयोग करता है।
ट्रैजेक्टरी स्मूथिंग: एक थ्री-पॉइंट रोलिंग बेज़ियर एक्शन चंकिंग योजना क्विंटिक पॉलिनोमिअल्स और एक सेवन-फेज S-कर्व प्रोफाइल का उपयोग करके डिस्क्रीट VLA आउटपुट को इंटरपोलेट करती है। यह सुचारू वेलोसिटी और एक्सेलेरेशन ट्रांजिशन सुनिश्चित करती है, टॉर्क स्पाइक्स को दबाती है और जॉइंट एक्चुएशन सीमाओं को संतुष्ट करती है।

2. एल्गोरिदम: OpenEAI-VLA

प्लेटफॉर्म में एक पुनरुत्पादक VLA पॉलिसी शामिल है जिसे विशेष रूप से ओपन-सोर्स डेटा पर प्रशिक्षित किया गया है।

आर्किटेक्चर: मॉडल मल्टीमॉडल परसेप्शन को फिक्स्ड-लेंथ कंडीशनिंग एम्बेडिंग्स में कंप्रेस करने के लिए Qwen3-VL-4B को बैकबोन VLM के रूप में उपयोग करता है। इसमें एक लर्नेबल फीचर क्वेरी पेश की गई है। इसका एक्शन हेड एक डिफ्यूजन ट्रांसफार्मर (DiT) है जो फ्लो मैचिंग के माध्यम से निरंतर एक्शन चंक्स की भविष्यवाणी करता है।
दो-चरणीय प्रशिक्षण रेसिपी:
- प्रीट्रेनिंग: मॉडल को Open-X-Embodiment डेटासेट के एक क्यूरेटेड मिश्रण पर प्रीट्रेन किया गया है। एक मानकीकृत डेटासेट कन्वर्जन पाइपलाइन विषम (heterogeneous) स्टेट/एक्शन कन्वेंशन को संरेखित करती है। इस चरण के दौरान, मल्टीमॉडल प्रायर्स को सुरक्षित रखने के लिए VLM बैकबोन को फ्रीज रखा जाता है, जबकि केवल फीचर क्वेरी, डेटासेट एडेप्टर और एक्शन हेड को प्रशिक्षित किया जाता है।
- फाइन-ट्यूनिंग: मॉडल को OpenEAI-Arm पर एकत्र किए गए छोटे पैमाने के इन-डोमेन प्रदर्शनों पर फाइन-ट्यून किया जाता है, जिसे मल्टीमॉडल डेटा (COCO, VQA-v2, PixMo-Points) के साथ संवर्धित किया जाता है ताकि स्थानिक ग्राउंडिंग (spatial grounding) और इंस्ट्रक्शन फॉलोइंग के कैटास्ट्रोफिक फॉरगेटिंग को रोका जा सके।

3. डेटा पाइपलाइन

प्लेटफॉर्म डेटासेट एकीकरण के लिए एक एकीकृत इंटरफ़ेस प्रदान करता है, जिसमें विविध ओपन-सोर्स रोबोट डेटासेट्स को एक सुसंगत प्रारूप में साफ करने, बदलने और संरेखित करने के उपकरण शामिल हैं, जो प्रोप्रायटरी डेटा के बिना स्केलेबल प्रीट्रेनिंग को सक्षम बनाता है।

मुख्य योगदान

पुनरुत्पादक हार्डवेयर: एक कम लागत वाला (~$790 सामग्री लागत) 6-DoF रोबोटिक आर्म, जिसमें पूर्ण मैन्युफैक्चरिंग डिज़ाइन, लो-लेवल ड्राइवर्स और कंट्रोल कोड शामिल है, जो कस्टमाइजेशन और स्केलेबल प्रोडक्शन को सक्षम बनाता है।
पुनरुत्पादक प्रशिक्षण पाइपलाइन: केवल ओपन-सोर्स डेटासेट्स (Open-X-Embodiment, COCO, आदि) का उपयोग करने वाली एक पूर्ण दो-चरणीय डेटा और प्रशिक्षण रेसिपी, जिसमें डेटासेट कन्वर्जन टूल्स और ट्रेनिंग स्क्रिप्ट शामिल हैं।
ओपन-सोर्स VLA पॉलिसी: Qwen3-VL-4B पर निर्मित एक एंड-टू-एंड VLA मॉडल (OpenEAI-VLA), जिसमें डिफ्यूजन ट्रांसफार्मर एक्शन हेड है, जिसे रिलीज़ किए गए कोडबेस का उपयोग करके स्क्रैच से प्रशिक्षित किया जा सकता है।
व्यापक सत्यापन: व्यापक प्रयोग जो प्रदर्शित करते हैं कि प्लेटफॉर्म वाणिज्यिक आर्म्स और बड़े पैमाने के VLA बेसलाइन्स की तुलना में मजबूत हार्डवेयर निष्पादन और प्रतिस्पर्धी पॉलिसी प्रदर्शन प्राप्त करता है।

प्रयोगात्मक परिणाम

लेखकों ने चार वास्तविक दुनिया के कार्यों पर सिस्टम का मूल्यांकन किया: Clean Table, Make Tea, Fold Towel, और Fold T-shirt।

हार्डवेयर तुलना: जब एक ही पॉलिसी ( $\pi_0$ ) को OpenEAI-Arm, ARX R5, और AgileX Piper पर चलाया गया, तो OpenEAI-Arm ने उच्चतम औसत सफलता दर (0.75) प्राप्त की, जिसने ARX R5 (0.71) और Piper (0.64) को पीछे छोड़ दिया। इसने वाणिज्यिक आर्म्स के समान वर्कस्पेस वॉल्यूम और टॉर्क मार्जिन प्रदर्शित किया, लेकिन काफी कम वजन और लागत के साथ।
मॉडल तुलना: शुद्ध रूप से ओपन-सोर्स डेटा पर प्रशिक्षित OpenEAI-VLA ने बड़े पैमाने के बेसलाइन्स के मुकाबले प्रतिस्पर्धी सफलता दर हासिल की।
- Clean Table पर, इसने 0.94 सफलता प्राप्त की (बनाम $\pi_0$ जो 0.92 और $\pi_0.5$ जो 0.96 पर था)।
- Fold T-shirt (एक जटिल ड्यूल-आर्म डिफॉर्मेबल टास्क) पर, इसने 0.83 प्राप्त किया, जो $\pi_0.5$ के प्रदर्शन से मेल खाता है और पहले के जनरलइस्ट पॉलिसियों जैसे Octo और ACT से काफी बेहतर है।
एब्लेशन स्टडीज (Ablation Studies):
- कंट्रोल: बेसलाइन की तुलना में डायनामिक्स फीडफॉरवर्ड कंपनसेशन को हटाने से एक्सेलेरेशन एरर ~70 गुना और टॉर्क एरर ~3.4 गुना बढ़ गया, जो FF-PID रणनीति की आवश्यकता की पुष्टि करता है।
- आर्किटेक्चर: डेटासेट एडेप्टर को हटाने से प्रदर्शन गिरकर 0.0 हो गया, जो विषम एक्शन/स्टेट कन्वेंशन को संभालने की महत्वपूर्ण आवश्यकता को दर्शाता है। फाइन-ट्यूनिंग के दौरान मल्टीमॉडल को-ट्रेनिंग को हटाने से औसत सफलता घटकर 0.30 रह गई, जो स्थानिक ग्राउंडिंग के लिए सहायक मल्टीमॉडल ऑब्जेक्टिव्स के महत्व को रेखांकित करता है।

महत्व

यह पेपर तर्क देता है कि VLA सिस्टम में प्रगति केवल मॉडल डिज़ाइन के बजाय एंड-टू-एंड पुनरुत्पादकता पर निर्भर करती है। मैकेनिकल डिज़ाइन और लो-लेवल कंट्रोलर्स से लेकर डेटा पाइपलाइन्स और ट्रेनिंग रेसिपी तक पूरे स्टैक को रिलीज़ करके, OpenEAI-Platform का लक्ष्य एम्बॉडीड एआई अनुसंधान के लिए प्रवेश की बाधा को कम करना है। यह शोधकर्ताओं को प्रोप्रायटरी हार्डवेयर या डेटा की बाधाओं के बिना VLA एल्गोरिदम और लो-लेवल कंट्रोल के बीच की अंतःक्रिया का अध्ययन करने में सक्षम बनाता है। लेखक दावा करते हैं कि केवल ओपन-सोर्स डेटा और कोड पर निर्भर रहने के बावजूद, प्लेटफॉर्म अत्यधिक बड़े प्रोप्रायटरी डेटासेट्स का उपयोग करने वाले अत्याधुनिक सिस्टम के बराबर हार्डवेयर-स्तर की विश्वसनीयता और पॉलिसी प्रदर्शन प्राप्त करता है, जिससे इस क्षेत्र में स्केलेबल और पुनरुत्पादक प्रगति सुलभ होती है।