← नवीनतम पेपर
🤖 AI

What Objects Enable, Not What They Are: Functional Latent Spaces for Affordance Reasoning

यह शोधपत्र A4D को प्रस्तुत करता है, जो एक नवीन दृष्टिकोण है जो रोबोट नियोजन (प्लानिंग) को उपस्थिति-आधारित तर्क से कार्यात्मक सामर्थ्य (अफोर्डेंस) तर्क की ओर स्थानांतरित करता है, जो दृश्य प्रेक्षणों को वस्तुओं की क्षमताओं के इर्द-गिर्द व्यवस्थित एक साझा लेटेंट स्पेस में मैप करके किया जाता है, जिससे नवीन अंतःक्रियाओं के लिए सामान्यीकरण में महत्वपूर्ण सुधार होता है और अनदेखी सामर्थ्यों की तीव्र खोज सक्षम होती है।

मूल लेखक: Rohan Siva, Neel P. Bhatt, Yunhao Yang, Seoyoung Lee, Nishant Gadde, Christian Ellis, Alvaro Velasquez, Zhangyang Wang, Ufuk Topcu

प्रकाशित 2026-06-05
📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें
CC BY 4.0

मूल लेखक: Rohan Siva, Neel P. Bhatt, Yunhao Yang, Seoyoung Lee, Nishant Gadde, Christian Ellis, Alvaro Velasquez, Zhangyang Wang, Ufuk Topcu

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 को एक बिखरे हुए कमरे को व्यवस्थित करना सिखा रहे हैं।

पुराना तरीका: बाहरी दिखावे से निर्णय लेना
वर्तमान में, अधिकांश रोबोट के दिमाग एक ऐसे लाइब्रेरियन की तरह काम करते हैं जो केवल किताबों के कवर आर्ट (चित्र) से उन्हें पहचानते हैं। यदि रोबोट पहियों वाला एक लाल बॉक्स देखता है, तो वह सोचता है, "आह, यह एक कार्ट (गाड़ी) है।" लेकिन यह जानने से कि वह एक "कार्ट" है, रोबोट को यह पता नहीं चलता कि वह क्या कर सकता है। क्या वह भारी है? क्या मैं उसे धकेल सकता हूँ? क्या वह इस पर खड़े होने के लिए पर्याप्त मजबूत है? पुराने सिस्टम यहाँ संघर्ष करते हैं क्योंकि वे इस पर ध्यान केंद्रित करते हैं कि कोई वस्तु कैसी दिखती है, न कि इस पर कि वह क्या कर सकती है। यदि रोबोट कोई अजीब, नया दिखने वाला ऑब्जेक्ट देखता है जो एक कार्ट की तरह व्यवहार करता है, तो वह भ्रमित हो जाता है क्योंकि वह उन "कार्ट" के चित्रों जैसा नहीं दिखता जिन्हें उसने याद किया था।

नया तरीका (A4D): "सुपरपावर" डिक्शनरी
यह पेपर एक नई प्रणाली पेश करता है जिसे A4D कहा जाता है। "यह क्या है?" पूछने के बजाय, A4D पूछता है, "यह क्या कर सकता है?"

A4D को एक ऐसे रोबोट के रूप में सोचें जो सुपरपावर्स (जिन्हें "अफोर्डेंस" या 'affordances' कहा जाता है) की एक विशेष डिक्शनरी लेकर चलता है। ये सुपरपावर्स "कुर्सी" या "कप" जैसे नाम नहीं हैं; ये "हिलने-डुलने योग्य" (movable), "सहारा देने योग्य" (supportable - क्या मैं इस पर खड़ा हो सकता हूँ?), या "पार करने योग्य" (traversable - क्या मैं इसके ऊपर से चल सकता हूँ?) जैसे कार्य हैं।

यहाँ बताया गया है कि A4D कैसे काम करता है, एक सरल उपमा का उपयोग करके:

1. "हिलने-डुलने योग्य" बनाम "स्थिर" स्लाइडर

एक लंबे, अदृश्य रूलर (पैमाने) की कल्पना करें जो रोबोट के दिमाग में तैर रहा है।

  • इस रूलर के सुदूर बाएं छोर पर शब्द है "Fixed" (स्थिर - जिसे आप हिला नहीं सकते)।
  • इसके सुदूर दाएं छोर पर शब्द है "Movable" (हिलने-डुलने योग्य)।
  • बीच का हिस्सा वह ग्रे क्षेत्र है जहाँ आप निश्चित नहीं हैं।

जब रोबोट किसी वस्तु को देखता है, तो वह केवल उसकी फोटो नहीं लेता; वह उस वस्तु को इस रूलर पर प्रोजेक्ट करता है।

  • यदि वह एक भारी पत्थर देखता है, तो प्रोजेक्शन "Fixed" के पास लैंड करता है।
  • यदि वह एक खिलौना कार देखता है, तो प्रोजेक्शन "Movable" के पास लैंड करता है।
  • यदि वह कुछ ऐसा देखता है जो उसने पहले कभी नहीं देखा, तो प्रोजेक्शन बिल्कुल बीच में लैंड हो सकता है।

2. "अनिश्चितता" का अलार्म

यहीं पर A4D स्मार्ट बनता है। रोबोट जानता है कि उसका प्रोजेक्शन "Movable" या "Fixed" सिरों से कितनी दूर है।

  • स्पष्ट संकेत: यदि प्रोजेक्शन "Movable" के ठीक बगल में है, तो रोबोट कहता है, "मैं 100% सुनिश्चित हूँ कि मैं इसे धकेल सकता हूँ।" वह तुरंत कार्य करता है।
  • अलार्म: यदि प्रोजेक्शन बीच में (ग्रे क्षेत्र में) लैंड करता है, तो रोबोट का आंतरिक अलार्म बज उठता है: "मुझे यकीन नहीं है! यह जोखिम भरा है।"

3. "विशेषज्ञ से पूछें" बटन (खोज/Discovery)

जब अलार्म बजता है, तो A4D केवल अनुमान नहीं लगाता। उसके पास एक विशेष ट्रिक है। वह एक बहुत ही स्मार्ट, लेकिन धीमे "एक्सपर्ट" (एक बड़ा AI मॉडल जिसे VLM कहा जाता है) को मदद के लिए बुलाता है।

  • एक्सपर्ट उस वस्तु को देखता है और कहता, "हे, यह सिर्फ 'हिलने-डुलने योग्य' या 'स्थिर' नहीं है। यह वस्तु वास्तव में 'Traversable' (पार करने योग्य - आप इसके ऊपर से चल सकते हैं) है।"
  • A4D एक्सपर्ट की बात सुनता है, "Traversable" के लिए एक नया रूलर बनाता है, और इसे अपनी डिक्शनरी में जोड़ देता है।
  • अब, रोबोट ने बिना किसी इंसान द्वारा हजारों उदाहरण सिखाए, एक नई सुपरपावर सीख ली है। उसे बस एक्सपर्ट से कुछ त्वरित जांच की आवश्यकता थी।

यह एक बड़ी बात क्यों है

यह पेपर इस प्रणाली के तीन मुख्य विजयों का दावा करता है:

  1. यह तेज़ है: हर एक वस्तु के लिए "एक्सपर्ट" से पूछने का पुराना तरीका बहुत समय लेता है (जैसे धीमे इंटरनेट कनेक्शन का इंतज़ार करना)। A4D पलक झपकते ही (22 मिलीसेकंड में) खुद सोच लेता है, और केवल तभी एक्सपर्ट को बुलाता है जब वह वास्तव में भ्रमित होता है। यह पिछले सर्वोत्तम तरीकों की तुलना में 100 गुना तेज़ है।
  2. यह जल्दी सीखता है: यदि रोबोट किसी बिल्कुल नए प्रकार की सुपरपावर (जैसे "स्टैकेबल" या एक के ऊपर एक रखने योग्य) का सामना करता है, तो वह 16 से भी कम उदाहरणों के साथ इसे पहचानना सीख सकता है। यह केवल कुछ बार सुनने के बाद एक नया शब्द सीखने जैसा है।
  3. यह सटीक है: उन चीजों पर जिन्हें वह पहले से जानता है, यह 94% बार सही होता है, जो पिछले सर्वोत्तम सिस्टमों को बड़े अंतर से पछाड़ देता है।

सारांश में:
A4D रोबोटों को इस बात के प्रति जुनूनी होने से रोकता है कि चीजें कैसी दिखती हैं और उन्हें इस बारे में सोचने पर मजबूर करता है कि वे क्या कर सकती हैं। यह त्वरित अनुमान लगाने के लिए एक चतुर "रूलर" प्रणाली का उपयोग करता है, यह जानता है कि वह कब अनिश्चित है, और इसमें ऑन-द-फ्लाई (तुरंत) नई "सुपरपावर्स" सीखने की एक अंतर्निहित क्षमता है, जो इसे एक अव्यवस्थित, अप्रत्याशित दुनिया में कार्यों की योजना बनाने में बहुत बेहतर बनाती है।

अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?

आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।

Digest आज़माएँ →

इसी तरह के और पेपर

इस विषय के सभी पेपर देखें 🤖 cs.AI →