🤖 AI

AEGIS: A Backup Reflex for Physical AI

AEGIS फिजिकल AI के लिए एक चयनात्मक एस्केलेशन फ्रेमवर्क है जो एक कमजोर पॉलिसी के प्रक्षेपवक्र (ट्रैजेक्टरी) में उच्च-जोखिम वाले चरणों का पता लगाने के लिए एक हल्के प्रोब का उपयोग करता है और अस्थायी रूप से एक मजबूत पॉलिसी पर स्विच करता है, जो ब्लाइंड या रैंडम एस्केलेशन रणनीतियों की तुलना में लॉन्ग-होरिज़न टास्क रिकवरी दरों में महत्वपूर्ण सुधार करता है।

मूल लेखक: Josef Chen

प्रकाशित 2026-06-08

📖 4 मिनट में पढ़ें☕ कॉफ़ी ब्रेक में पढ़ें

CC BY 4.0

मूल लेखक: Josef Chen

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 जटिल भोजन बनाना सिखा रहे हैं। आपके पास दो शेफ हैं:

जूनियर शेफ: तेज़, सस्ता और आमतौर पर अच्छा, लेकिन यह थक जाता है और छोटी गलतियाँ करता है।
मास्टर शेफ: अविश्वसनीय, लेकिन बहुत धीमा और चलाने में महंगा। आप पूरे भोजन को बनाने के लिए मास्टर शेफ को काम पर रखने का खर्च नहीं उठा सकते।

समस्या:
जब जूनियर शेफ गलती करना शुरू करता है, तो वे तुरंत विफल नहीं होते। वे एक छोटी सी गलती करते हैं (जैसे गलत चम्मच उठा लेना), जिससे दूसरी गलती होती है (चम्मच गिरा देना), जिससे तीसरी गलती होती है (सूप उंडेल देना)। जब तक रसोई में तबाही मच जाती है, तब तक सुधार करने के लिए बहुत देर हो चुकी होती है। जूनियर शेफ "विफलता के चक्र" (spiral of failure) में फंस जाता है।

पुराने समाधान:

अलार्म सिस्टम: कुछ सिस्टम जूनियर शेफ पर नज़र रखते हैं और गलती देखते ही "रुको!" चिल्लाते हैं। लेकिन वे गड़बड़ी को ठीक नहीं करते; वे बस रोबोट को रोक देते हैं या इंसान को बुला लेते हैं।
"फिर से कोशिश करें" सिस्टम: अन्य सिस्टम जूनियर शेफ को कहते हैं, "तुमने गलती की, उस कदम को फिर से करने की कोशिश करो!" लेकिन यदि जूनियर शेफ पहले से ही भ्रमित है, तो उसे फिर से कोशिश करने के लिए कहना आमतौर पर उसी गलती को दोहराने का कारण बनता है।

नया समाधान: AEGIS
यह पेपर पेश करता है कि AEGIS, जूनियर शेफ के ठीक बगल में खड़े एक स्मार्ट सुपरवाइजर की तरह काम करता है।

यह इस प्रकार काम करता है, एक सरल उपमा का उपयोग करते हुए:

1. "अंतरात्मा की आवाज़" (Gut Feeling) सेंसर

जूनियर शेफ के पास एक छिपी हुई "अंतरात्मा की आवाज़" (तकनीकी रूप से, रोबोट की आंतरिक मस्तिष्क गतिविधि) होती है जो आपदा होने से पहले बदल जाती है। AEGIS के पास एक छोटा, सस्ता सेंसर है जो वास्तविक समय में इस अंतरात्मा की आवाज़ को पढ़ता है।

सावधानी: सेंसर सूप गिरने का इंतज़ार नहीं करता। यह शेफ के मस्तिष्क को तब पढ़ता है जब वे अभी भी चम्मच पकड़े हुए होते हैं, एक हल्की सी थरथराहट को नोटिस करता है जो कहती है, "मैं इसे गिराने वाला हूँ।"

2. "बैकअप के लिए बुलाने" वाला स्विच

जब सेंसर उस थरथराहट को पहचान लेता है (शुरुआती चेतावनी), तो AEGIS तुरंत एक स्विच चालू कर देता है।

यह कहता है, "जूनियर शेफ, एक तरफ हो जाओ!"
यह मास्टर शेफ को केवल उन अगले कुछ कदमों के लिए बुलाता है जो डगमगाहट को ठीक करने के लिए आवश्यक हैं।
एक बार जब मास्टर शेफ चम्मच को स्थिर कर देता है और उसे वापस मेज पर रख देता है, तो AEGIS कहता है, "अच्छा काम किया, मास्टर शेफ। जूनियर शेफ, अब तुम फिर से नियंत्रण संभालो।"

3. यह क्यों खास है ("टाइमिंग" का जादू)

यह पेपर सिद्ध करता है कि समय (timing) ही सब कुछ है।

यदि आप मास्टर शेफ को पूरा भोजन बनाने देते हैं, तो यह बहुत अच्छा काम करता है, लेकिन इसमें 4.6 गुना अधिक ऊर्जा (कंप्यूट) खर्च होती है।
यदि आप जूनियर शेफ को पूरा भोजन बनाने देते हैं, तो वे अक्सर विफल होते हैं।
AEGIS जूनियर शेफ को 62% काम करने देता है और केवल 38% कदमों (विशेष रूप से खतरनाक कदमों) के लिए मास्टर शेफ को बुलाता है।

परिणाम (जो पेपर वास्तव में कहता है)

शोधकर्ताओं ने एक रोबोट पर 10 अलग-अलग कार्यों (जैसे कटोरे को दराज में रखना या चूल्हा जलाना) को करने के लिए इसका परीक्षण किया।

अकेले जूनियर शेफ ने 700 प्रयासों में से लगभग 646 बार विफलता दर्ज की।
AEGIS ने उन विफल प्रयासों में से 10.1% को बचा लिया।
प्रमाण: उन्होंने AEGIS की तुलना दो "नकली" सुपरवाइजर्स से की:
1. एक जो रैंडम समय पर मास्टर शेफ को बुलाता था।
2. एक जो मास्टर शेफ को उतनी ही संख्या में बुलाता था, लेकिन बिना "अंतरात्मा की आवाज़" वाले सेंसर के।
दोनों नकली सुपरवाइजर AEGIS की तुलना में कार्यों को बचाने में विफल रहे। यह सिद्ध करता है कि AEGIS केवल इसलिए कार्य नहीं बचा रहा था क्योंकि उसने अधिक मदद ली थी; बल्कि इसलिए बचा रहा था क्योंकि उसने मदद को सही क्षण पर लिया था।

मुख्य निष्कर्ष

AEGIS एक ऐसा सिस्टम है जो एक रोबोट को यह समझने में सक्षम बनाता है कि वह कब विफल होने वाला है। आपदा के इंतज़ार के बजाय, यह केवल उस पल के लिए एक अधिक शक्तिशाली, स्मार्ट रोबोट को बुलाता है जिसकी आवश्यकता होती है, और फिर नियंत्रण वापस सस्ते रोबोट को सौंप देता है। यह समान कंप्यूटिंग पावर का उपयोग करने वाले अन्य तरीकों की तुलना में दोगुनी बार विफलताओं को सफलतापूर्वक संभालता है, क्योंकि यह मदद मांगने के सही समय के बारे में अधिक समझदार है।

तकनीकी सारांश: AEGIS – भौतिक AI के लिए एक बैकअप रिफ्लेक्स (Backup Reflex)

1. समस्या विवरण (Problem Statement)

लॉन्ग-होरिज़न रोबोट मैनिपुलेशन पॉलिसीज़ अक्सर अचानक विफल नहीं होतीं, बल्कि एक "धीमी सर्पिल गिरावट" (slow spiral) के माध्यम से विफल होती हैं। एक गलत समय पर की गई क्रिया सिस्टम को वितरण-से-बाहर (off-distribution) धकेल देती है, जिससे त्रुटियाँ संचयी रूप से बढ़ती जाती हैं और ट्रैजेक्टरी एक अपरिवर्तनीय विफलता क्षेत्र (unrecoverable failure basin) में प्रवेश कर जाती है। जबकि इस आसन्न विफलता के चेतावनी संकेत क्रैश होने से बहुत पहले ही पॉलिसी की आंतरिक अवस्थाओं (internal states) में दिखाई देने लगते हैं, वर्तमान विधियों के पास इन संकेतों पर प्रभावी ढंग से कार्य करने के लिए कोई रनटाइम तंत्र नहीं है।

मौजूदा दृष्टिकोण दो अपूर्ण श्रेणियों में आते हैं:

केवल-पता लगाने वाले (Detect-only): SAFE जैसी विधियाँ उच्च सटीकता के साथ विफलता का पूर्वानुमान लगाती हैं, लेकिन केवल निष्पादन को रोक देती हैं या मानव को सौंप देती हैं, वे कोई रिकवरी (सुधार) प्रदान नहीं करतीं।
पॉलिसी-के-भीतर-रिकवरी (Recover-within-policy): HELM या Pre-VLA जैसी विधियाँ उसी विफल हो रही पॉलिसी का उपयोग करके रीसैंपलिंग, रीप्लानिंग या बैकट्रैकिंग के माध्यम से सुधार करने का प्रयास करती हैं।

पहचाना गया अंतराल एक रनटाइम ऑथोराइजेशन लेयर (runtime authorization layer) की अनुपस्थिति है जो आसन्न विफलता का पता लगा सके और त्रुटि बढ़ने से पहले नियंत्रण को एक अधिक सक्षम, अलग पॉलिसी को सौंप सके, बिना निरंतर चलने वाली अधिक शक्तिशाली पॉलिसी की कम्प्यूटेशनल लागत उठाए।

2. कार्यप्रणाली (Methodology): AEGIS

AEGIS (Activation-probe Early-warning, Gated Inference Switching) इस अंतराल को संबोधित करता है। यह एक सस्ती, तैनात (deployed) पॉलिसी को अपनी जमी हुई (frozen) आंतरिक एक्टिवेशन्स को एक प्रारंभिक-चेतावनी संकेत के रूप में पढ़ने और नियंत्रण को चुनिकी रूप से एक अधिक सक्षम पॉलिसी को सौंपने में सक्षम बनाता है।

मुख्य घटक (Core Components)

फ्रोजन इंटरनल प्रोब (Frozen Internal Probe): एक हल्का, दो-परत वाला MLP प्रोब, जिसे तैनात "कमजोर" (weak) पॉलिसी के फ्रोजन एक्टिवेशन्स (विशेष रूप से, एक्शन-एक्सपर्ट लेयर-15 सेल्फ-अटेंशन आउटपुट प्रोजेक्शन) पर ऑफलाइन प्रशिक्षित किया गया है। यह कमजोर पॉलिसी के हिडन स्टेट्स से प्रति-स्टेप रिस्क स्कोर ( $s_t$ ) पढ़ता है।
अर्ली-विंडो प्रेडिक्शन (Early-Window Prediction): प्रोब को केवल ट्रैजेक्टरी के पहले 30% भाग ( $t \le 0.30T$ ) पर प्रशिक्षित और मूल्यांकित किया जाता है ताकि यह सुनिश्चित हो सके कि प्रोब ट्रैजेक्टरी के 'नो रिटर्न पॉइंट' को पार करने से पहले विफलता का पूर्वानुमान लगा ले।
कॉन्फॉर्मल ट्रिगर और गेट्स (Conformal Trigger & Gates):
- कॉन्फॉर्मल थ्रेशोल्ड: एक स्प्लिट-कॉन्फॉर्मल कैलिब्रेशन, फॉल्स-ट्रिगर दर ( $\alpha = 0.10$ ) को नियंत्रित करने के लिए एक समय-परिवर्तित थ्रेशोल्ड ( $\delta_t$ ) निर्धारित करता है।
- अर्ली-हार्म गेट (Early-Harm Gate): उन ट्रैजेक्टरीज को बाधित करने से बचने के लिए (जो सफल होने वाली थीं) $t_{min} = 0.20T$ से पहले एस्केलेशन (escalation) को दबा दिया जाता है (यह "इंटरवेंशन पैराडॉक्स" को संबोधित करता है)।
- बजट कैप (Budget Cap): प्रति-एपिसोड एक कैप ( $K_{max}$ ) एस्केलेशन घटनाओं को सीमित करता है, यह सुनिश्चित करता है कि मजबूत पॉलिसी का अत्यधिक उपयोग न हो।
एस्केलेशन हैंडऑफ (Escalation Handoff): जब गेट फायर होता है, तो नियंत्रण अगले एक्शन-चंक बाउंड्री पर एक अधिक शक्तिशाली, अलग फ्रोजन पॉलिसी ( $\pi_s$ ) को सौंप दिया जाता है। चैटरिंग (chattering) को रोकने के लिए मजबूत पॉलिसी को एक न्यूनतम अवधि (hysteresis) के लिए रखा जाता है।
आर्किटेक्चर: लेटेंसी को कम करने के लिए सिस्टम दोनों पॉलिसियों को एक ही कंटेनर में चलाता है। कमजोर पॉलिसी बैकग्राउंड में चलती रहती है ताकि प्रोब स्कोर उपलब्ध कराए जा सकें और डी-एस्केलेशन निर्णय लिए जा सकें।

प्रयोगात्मक डिजाइन (Experimental Design)

लेखक कॉज़ल आइडेंटिफिकेशन (causal identification) सुनिश्चित करने के लिए कॉमन रैंडम नंबर्स (CRN) का उपयोग करते हुए एक चार-आर्म फैक्टोरियल डिज़ाइन का उपयोग करते हैं:

आर्म A (Weak-only): बेसलाइन।
आर्म B (Targeted): AEGIS एस्केलेशन।
आर्म C (Budget-matched-blind): यह उतनी ही स्टेप्स के लिए एस्केलेट करता है जितनी B में हुई थी, लेकिन बिना किसी सिग्नल के (ब्लाइंड तरीके से), जो सेलेक्टिविटी बनाम रॉ कम्प्यूट के मूल्य को अलग करता है।
आर्म D (Random-trigger): यह B की समान दर से एस्केलेट करता है, जो सिग्नल इंफॉर्मेशन के मूल्य को अलग करता है।

3. मुख्य योगदान (Key Contributions)

एक नई रनटाइम समस्या: इस चुनौती को परिभाषित करना कि कब एक सस्ती पॉलिसी को एक मजबूत पॉलिसी को बुलाना चाहिए ताकि संचयी विफलता को रोका जा सके, न कि विफलता होने के बाद प्रतिक्रिया दी जाए।
एक ठोस तंत्र: एक ट्रेनिंग-फ्री, फ्रोजन-प्रोब सिस्टम जो कॉन्फॉर्मल ट्रिगर्स और सेफ्टी गेट्स के साथ एक अलग, मजबूत पॉलिसी को स्टेप-लेवल एस्केलेशन को गेट करता है।
सेलेक्टिविटी का कॉज़ल प्रमाण: ब्लाइंड और रैंडम कंट्रोल्स के विरुद्ध तुलना करके, पेपर यह प्रदर्शित करता है कि रिकवरी का लाभ केवल अतिरिक्त कम्प्यूट से नहीं, बल्कि टाइमिंग (सेलेक्टिविटी) से आता है।
मापे गए ट्रेड-ऑफ: मजबूत पॉलिसी के ड्यूटी साइकिल के विरुद्ध रिकवरी दर को मापना, यह दिखाते हुए कि चयनात्मक एस्केलेशन बजट-मैच्ड बेसलाइन्स की तुलना में रिकवरी दर को दोगुना कर सकता है।

4. परिणाम (Results)

विधि का मूल्यांकन LIBERO-Spatial बेंचमार्क (10 कार्य, प्रत्येक आर्म के लिए 700 एपिसोड, $n_{A-fail}=646$ ) पर किया गया।

रिकवरी रेट: AEGIS (आर्म B) ने उन ट्रैजेक्टरीज में से 10.1% को रिकवर किया जिन्हें अकेले कमजोर पॉलिसी विफल कर देती।
कंट्रोल्स के साथ तुलना:
- ब्लाइंड एस्केलेशन (आर्म C) के विरुद्ध: AEGIS ने 5.4 प्रतिशत अंक अधिक रिकवर किया (10.1% बनाम 4.6%), $p = 8.5 \times 10^{-6}$ के साथ।
- रैंडम ट्रिगर (आर्म D) के विरुद्ध: AEGIS ने 5.0 प्रतिशत अंक अधिक रिकवर किया (10.1% बनाम 5.1%), $p = 1.0 \times 10^{-4}$ के साथ।
दक्षता (Efficiency): मजबूत पॉलिसी केवल 38% स्टेप्स पर सक्रिय थी (ड्यूटी साइकिल)। इसके बावजूद, AEGIS ने बजट-मैच्ड कंट्रोल्स की तुलना में लगभग दोगुनी रिकवरी हासिल की।
सिग्नल क्वालिटी: प्रोब का अर्ली-विंडो AUROC 0.764 (95% CI [0.70, 0.84]) था, जिसने 0.75 के प्री-रजिस्टर्ड प्रीकंडीशन को पार कर लिया।
मजबूती (Robustness): परिणाम कठिनाई स्तरों (Easy, Medium, Hard) में बने रहे, हालांकि हार्ड स्ट्रैटम में ब्लाइंड एस्केलेशन पर इसका लाभ कम हो गया जहाँ मजबूत पॉलिसी के पास भी रिकवरी मार्जिन सीमित है।
सामान्यीकरण (Generalization): प्रभाव तब भी बना रहा जब एक अलग पॉलिसी फैमिली (GR00T N1.7) को एस्केलेट किया गया, जो सुझाव देता है कि यह तंत्र एक विशिष्ट मॉडल जोड़ी के बजाय एक मजबूत अलग पॉलिसी में एस्केलेट करने का गुण है।

5. महत्व और दावे (Significance and Claims)

पेपर का दावा है कि टाइमिंग ही सक्रिय तत्व है, न कि रॉ कम्प्यूट। एक रोबोट पॉलिसी विफलता के बढ़ने से पहले एक मजबूत पॉलिसी को बुलाने के लिए अपनी जमी हुई एक्टिवेशन्स को एक प्रारंभिक-चेतावनी संकेत के रूप में पढ़ सकती है, और मैच-बजट एस्केलेशन की तुलना में दोगुनी विफलताएं रिकवर कर सकती है।

लेखक जोर देते हैं कि यह एक रनटाइम ऑथोराइजेशन समाधान है। यह डिटेक्शन और एक्शन के बीच के अंतर को भरता है, जिससे एक सिस्टम को केवल तभी "बैकअप के लिए कॉल" करने की अनुमति मिलती है जब आवश्यक हो। पेपर स्पष्ट रूप से यह दावा करने से बचता है कि सटीक भविष्यवाणी अकेले उपयोग की गारंटी देती है; इसके बजाय, यह सिद्ध करने के लिए कॉज़ल कंट्रोल्स (ब्लाइंड और रैंडम ट्रिगर्स) पर निर्भर करता है कि एस्केलेशन की सेलेक्टिविटी ही रिकवरी को संचालित करती है।

इस कार्य को फिजिकल AI के लिए एक "बैकअप रिफ्लेक्स" के रूप में फ्रेम किया गया है, जो अधिकांश ऑपरेशन्स के लिए सस्ती, तेज़ पॉलिसियों को तैनात करने में सक्षम बनाता है, जबकि केवल तभी महंगी, फ्रंटियर मॉडल्स को बुलाता है जब आंतरिक स्थिति विफलता के सर्पिल में फंसने का संकेत देती है। लेखक नोट करते हैं कि यह दृष्टिकोण "ऑलवेज-स्ट्रॉन्ग" पॉलिसी की तुलना में रॉ रिकवरी में बेहतर प्रदर्शन नहीं करता है (जो अपेक्षित है), लेकिन यह एक बेहतर रिकवरी-टू-कम्प्यूट ट्रेड-ऑफ प्राप्त करता है।