💻 computer science

PRISM: PRior-guided Imagination Sampling in world Models

PRISM एक हल्का, कार्य-अज्ञेय (task-agnostic) ढांचा है जो एक फ्रोजन JEPA-शैली के वर्ल्ड मॉडल से सीधे स्टेट-कंडीशन्ड एक्शन प्रायर्स (state-conditioned action priors) निकालकर और उन्हें पैरामीटर-मुक्त प्रोडक्ट-ऑफ-गॉसियन्स अपडेट के माध्यम से सैंपलिंग प्रक्रिया में एकीकृत करके निरंतर नियंत्रण नियोजन (continuous control planning) को बढ़ाता है, जो बिना किसी आर्किटेक्चरल ब्लोट या इन्फरेंस ओवरहेड के सफलता दर में महत्वपूर्ण सुधार करता है।

मूल लेखक: Yuhai Wang, Jiawei Xia, Rongxuan Zhou, Xiao Hu, Yongliang Shi, Jing Du, Yang Ye

प्रकाशित 2026-06-09

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yuhai Wang, Jiawei Xia, Rongxuan Zhou, Xiao Hu, Yongliang Shi, Jing Du, Yang 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

कल्पना कीजिए कि आप एक रोबोट को मेज पर एक ब्लॉक को एक विशिष्ट स्थान पर धकेलना सिखा रहे हैं। ऐसा करने के लिए, रोबोट को एक "वर्ल्ड मॉडल" (world model) की आवश्यकता होगी—एक मानसिक सिमुलेशन जो उसे कल्पना करने दे, जैसे, "यदि मैं बाईं ओर धकेलता हूँ, तो ब्लॉक यहाँ जाएगा। यदि मैं दाईं ओर धकेलता हूँ, तो वह वहाँ जाएगा।"

समस्या यह नहीं है कि रोबोट भविष्य की कल्पना नहीं कर सकता; समस्या यह है कि वह सबसे पहले क्या कल्पना करने का निर्णय लेता है।

समस्या: अंधेरे में निशाना लगाना

वर्तमान में, अधिकांश रोबोट योजना बनाने के लिए एक "वर्ल्ड मॉडल" का उपयोग करते हैं, लेकिन वे अपनी योजना बनाने की प्रक्रिया की शुरुआत बेतरतीब ढंग से अनुमान लगाकर करते हैं। यह एक विशाल, अंधेरे गोदाम में एक विशिष्ट चाबी को खोजने की कोशिश करने जैसा है।

पुराना तरीका (वैनिला MPPI): रोबोट हजारों चाबियाँ (उम्मीदवार क्रियाएं) हवा में बेतरतीब ढंग से उछालकर शुरुआत करता है, इस उम्मीद में कि उनमें से एक ताले में फिट बैठ जाए। वह प्रत्येक को जाँचता है, कुछ चुनिंदा जिन्हें वे आशाजनक लगते हैं उन्हें रखता है, और फिर से प्रयास करता है। यह काम करता है, लेकिन यह धीमा और बर्बादी भरा है। उसे सही चाबी खोजने के लिए सैकड़ों चाबियाँ उछालनी पड़ती हैं।
खामी: रोबोट इस तथ्य को अनदेखा कर देता है कि उसने पिछले अनुभव से कैसे कार्य करना सीखा है। वह उस "अंतर्ज्ञान" (intuition) को फेंक देता है जो उसने दुनिया को देखने के दौरान प्राप्त किया था।

समाधान: PRISM (सहज मार्गदर्शक)

लेखक PRISM का प्रस्ताव करते हैं, जिसका अर्थ है PRior-guided Imagination Sampling (पूर्व-निर्देशित कल्पना नमूनाकरण)।

PRISM को एक कदम उठाने से पहले रोबोट को टॉर्च और एक मानसिक मानचित्र देने के रूप में सोचें।

एक ही मस्तिष्क, दो काम: रोबोट उसी "मस्तिष्क" (न्यूरल नेटवर्क) का उपयोग करता है जिसका उपयोग उसने दुनिया को देखने के तरीके को सीखने के लिए किया था। आमतौर पर, यह मस्तिष्क केवल यह भविष्यवाणी करता है कि "आगे क्या होगा।" PRISM इस मस्तिष्क में एक छोटा, हल्का अटैचमेंट (एक छोटा "हेड") जोड़ता है जो एक अलग प्रश्न पूछता है: "जो मैं देख रहा हूँ, उसके आधार पर, अभी कौन सी क्रिया लेना सबसे अधिक संभावित है?"
गौसियन प्रायर (विश्वास का मीटर): यह अटैचमेंट केवल एक क्रिया का अनुमान नहीं लगाता; यह क्रियाओं की एक रेंज (सीमा) और महत्वपूर्ण रूप से, इस बात का अनुमान लगाता है कि वह अपने अनुमान में कितना आत्मविश्वासी है।
- उच्च आत्मविश्वास: "मुझे 99% यकीन है कि ब्लॉक को थोड़ा बाईं ओर धकेलने की आवश्यकता है।" (रेंज संकीर्ण है)।
- कम आत्मविश्वास: "मुझे नहीं पता कि यहाँ क्या करना है।" (रेंज विस्तृत है)।
जादुई मिश्रण (प्रोडक्ट ऑफ गौसियन्स): जब रोबोट योजना बनाना शुरू करता है, तो वह केवल बेतरतीब ढंग से अनुमान नहीं लगाता। वह अपने "सहज अनुमान" को अपने "अंतर्ज्ञान वाले अनुमान" के साथ मिलाता है।
- यदि अंतर्ज्ञान आत्मविश्वासी है, तो रोबोट उस विचार के आसपास अपनी खोज को कसकर केंद्रित करता है, जिससे समय बचता है।
- यदि अंतर्ज्ञान अनिश्चित है (जैसे, रोबोट एक अजीब, नई स्थिति में है), तो गणित स्वचालित रूप से अंतर्ज्ञान को अनदेखा कर देता है और सुरक्षित, यादृच्छिक अनुमान लगाने की विधि पर वापस आ जाता है। यह एक "ग्रेसफुल फेल्योर" (graceful failure) तंत्र है—यह कभी भी गलत अनुमान को योजना खराब करने नहीं देता।

परिणाम: कठिन नहीं, बल्कि स्मार्ट

लेखकों ने दो कार्यों पर इसका परीक्षण किया: एक T-आकार के ब्लॉक को धकेलना और एक क्यूब को हिलाना।

भारी दक्षता: PRISM के साथ, रोबोट ने क्यूब कार्य पर सफलता दर में 35% अधिक और T-ब्लॉक कार्य में 32% अधिक सफलता प्राप्त की, और यह सब उतनी ही कंप्यूटिंग शक्ति का उपयोग करके किया।
छोटे बजट, बड़े लाभ: सबसे बड़ा सुधार तब हुआ जब रोबोट को बहुत कम अनुमान लगाने की अनुमति दी गई (एक "छोटा सैंपल बजट")। यह पहली बार में ही चाबी ढूंढ लेने जैसा है क्योंकि आपको पता था कि कहाँ देखना है, बजाय इसके कि आप पूरे गोदाम की तलाश करें।
वास्तविक रोबोट: उन्होंने वास्तविक भौतिक रोबोटों (एक फ्रैंका आर्म और एक ARX आर्म) पर भी परीक्षण किया, और यह बिना कोड बदले या रोबोट की गति धीमी किए काम कर गया।

उपमा सारांश

पुराना तरीका: एक जासूस जो शहर में संदिग्ध की तलाश के लिए एक-एक करके शहर के हर दरवाजे पर बेतरतीब ढंग से दस्तक देता है।
PRISM: एक जासूस जिसके पास पिछले मामलों के आधार पर एक "अंतर्ज्ञान" (gut feeling) है। यदि अंतर्ज्ञान मजबूत है, तो वे केवल उस विशिष्ट पड़ोस की जांच करते हैं जहाँ संदिग्ध के होने की संभावना है। यदि अंतर्ज्ञान कमजोर है, तो वे वापस दरवाजों की यादृच्छिक जांच करने के लिए लौट जाते हैं।
परिणाम: जासूस संदिग्ध को बहुत तेज़ी से, कम प्रयास के साथ ढूंढ लेता है, और कभी भी फंसता नहीं है क्योंकि वह जानता है कि अपने अंतर्ज्ञान पर कब भरोसा करना है और कब इसे अनदेखा करना है।

यह क्यों महत्वपूर्ण है

पेपर का दावा है कि आपको रोबोट को गाइड करने के लिए किसी विशाल, महंगे सुपरकंप्यूटर या अलग "विशेषज्ञ" AI की आवश्यकता नहीं है। आप इस मार्गदर्शन को सीधे रोबोट के मौजूदा "वर्ल्ड मॉडल" मस्तिष्क से निकाल सकते हैं। यह रोबोट को प्लानिंग में स्मार्ट बनाने का एक तरीका है, बिना उन्हें चलाने में भारी या धीमा बनाए।

तकनीकी सारांश: PRISM (PRior-guided Imagination Sampling in world Models)

1. समस्या विवरण (Problem Statement)

कंटीन्यूअस कंट्रोल (continuous control) में, सीखे गए वर्ल्ड मॉडल्स एजेंटों को भविष्य की अवस्थाओं को सिम्युलेट करने के लिए "भौतिक अंतर्ज्ञान" (physical intuition) प्रदान करते हैं। हालांकि, मॉडल-आधारित प्लानिंग (जैसे, Model Predictive Control, MPC) की प्रभावशीलता इस बात पर निर्भर करती है कि कैंडिडेट एक्शन्स (candidate actions) को कैसे जेनरेट किया जाता है। मौजूदा प्लानर्स आमतौर पर अपनी सैंपलिंग डिस्ट्रीब्यूशन को जीरो-मीन, फिक्स्ड-वेरिएंस गॉसियन (अनइन्फॉर्म्ड इनिशियलाइजेशन) के साथ शुरू करते हैं या केवल एक्सपर्ट प्रदर्शनों का उपयोग मीन सेट करने के लिए करते हैं, जिससे एक्सपर्ट की स्टेट-कंडीशन्ड कॉन्फिडेंस (state-conditioned confidence) को त्याग दिया जाता है।

एक मजबूत एक्शन प्रायर (action prior) प्राप्त करने के लिए वर्तमान दृष्टिकोण अक्सर आर्किटेक्चरल ब्लोट (architectural bloat) पर निर्भर करते हैं, जैसे कि स्वतंत्र विजुअल एनकोडर या बड़े पैमाने के विजन-लैंग्वेज मॉडल्स (VLMs)। यह रेडंडेंसी पैदा करता है, क्योंकि वर्ल्ड मॉडल के अपने सीखे हुए रिप्रजेंटेशन्स स्वाभाविक रूप से एजेंट के "एक्शन इंट्यूशन" (कौन से एक्शन अवस्था को लक्ष्य की ओर ले जाते हैं) को एनकोड करते हैं। मुख्य चुनौती इस निहित अंतर्ज्ञान को बिना किसी महत्वपूर्ण कम्प्यूटेशनल ओवरहेड या अलग, भारी प्रायर मॉडल्स की आवश्यकता के, वर्ल्ड मॉडल से ही एक्सट्रैक्ट करने की है ताकि प्लानर की सैंपलिंग प्रक्रिया को निर्देशित किया जा सके।

2. कार्यप्रणाली: PRISM (Methodology: PRISM)

PRISM एक टास्क-अग्नोस्टिक फ्रेमवर्क है जो एक मानक JEPA-स्टाइल (Joint-Embedding Predictive Architecture) लेटेंट वर्ल्ड मॉडल का उपयोग करके सीखे गए एक्शन प्रायर को सीधे प्लानर के सैंपलिंग डिस्ट्रीबशन में एकीकृत करता है।

2.1 आर्किटेक्चर (Architecture)

शेयर्ड बैकबोन (Shared Backbone): PRISM एक सिंगल फ्रोजन JEPA एनकोडर ( $h_\psi$ ) का उपयोग करता है जो वर्तमान ऑब्जर्वेशन ( $o_t$ ) और गोल ऑब्जर्वेशन ( $o_g$ ) दोनों को एम्बेड करता है।
फिजिकल इंट्यूशन (Physical Intuition): फ्रोजन प्रेडिक्टर ( $f_\theta$ ) विजुअल कॉस्ट के विरुद्ध स्कोर करने के लिए एम्बेडिंग स्पेस में एक्शन सीक्वेंस को रोल आउट करता है।
एक्शन इंट्यूशन - द प्रायर (Action Intuition - The Prior): एक लाइटवेट, ट्रेन करने योग्य मल्टी-लेयर पर्सेप्ट्रॉन (MLP) हेड ( $g_\phi$ $g_{ϕ}$ , $\approx$ $\approx$ 1M पैरामीटर्स) सीधे फ्रोजन एनकोडर से जुड़ा होता है। यह वर्तमान और गोल एम्बेडिंग्स को आगामी $H$ $H$ -स्टेप एक्शन सीक्वेंस पर एक गॉसियन डिस्ट्रीब्यूशन में मैप करता है: $g_\phi([z_t, z_g]) \to (\mu_p, \sigma_p)$ $g_{ϕ} ([z_{t}, z_{g}]) \to (μ_{p}, σ_{p})$ ।
- इस हेड को उसी डेटासेट पर ऑफलाइन ट्रेन किया जाता है जिसका उपयोग वर्ल्ड मॉडल के लिए किया गया था, और इसमें वेरिएंस प्रेडिक्शन को स्थिर करने के लिए $\beta$ -NLL लॉस का उपयोग किया जाता है।
- यह StandardScaler-नॉर्मलाइज्ड एक्शन स्पेस में काम करता है।

2.2 प्रिसिजन-वेटेड फ्यूजन (Precision-Weighted Fusion - Product of Gaussians)

प्लानिंग के समय, PRISM प्लानर के डिफॉल्ट इनिशियलाइजेशन ( $N(\mu_\pi, \sigma_\pi^2)$ ) को सीखे गए प्रायर ( $N(\mu_p, (s\sigma_p)^2)$ ) के साथ एक क्लोज्ड-फॉर्म प्रोडक्ट ऑफ गॉसियन्स (PoG) अपडेट का उपयोग करके फ्यूज करता है:

फ्यूज्ड वेरिएंस (Fused Variance): $\sigma_{fused}^2 = (\tau_\pi + \tau_p)^{-1}$ , जहाँ $\tau$ प्रिसिजन ( $1/\sigma^2$ ) को दर्शाता है।
फ्यूज्ड मीन (Fused Mean): $\mu_{fused} = \sigma_{fused}^2 (\tau_\pi \mu_\pi + \tau_p \mu_p)$ ।
स्केलिंग (Scaling): एक स्केलर $s$ प्रायर के स्टैंडर्ड डेविएशन को रीस्केल करता है (प्रयोगों में 1 सेट किया गया है)।

2.3 MPC के साथ एकीकरण (Integration with MPC)

फ्यूज्ड डिस्ट्रीब्यूशन एक स्टैंडर्ड MPPI (Model Predictive Path Integral) लूप को इनिशियलाइज़ करता है। महत्वपूर्ण रूप से, PRISM MPPI के फिक्स्ड-कोवेरिएंस गुण को बनाए रखता है (केवल मीन को अपडेट करता है, वेरिएंस को नहीं)। यह सुनिश्चित करता है कि प्रायर का कॉन्फिडेंस (प्रिसिजन) पूरे ऑप्टिमाइजेशन होराइजन के दौरान बना रहता है, बजाय इसके कि इसे CEM (Cross-Entropy Method) की तरह इटरेटिव रिफाइनमेंट प्रक्रिया द्वारा ओवरराइट कर दिया जाए।

2.4 ग्रेसफुल डिग्रेडेशन (Graceful Degradation)

फ्यूजन मैकेनिज्म स्वाभाविक रूप से मजबूत है:

हाई कॉन्फिडेंस (High Confidence): यदि प्रायर कॉन्फिडेंट है ( $\sigma_p$ छोटा है), तो इसका प्रिसिजन हावी हो जाता है, जिससे सर्च $\mu_p$ के आसपास संकीर्ण हो जाती है।
लो कॉन्फिडेंस (Low Confidence): यदि प्रायर अनसर्टेन है (जैसे, आउट-ऑफ-डिस्ट्रीब्यूशन स्टेट्स जहाँ $\sigma_p$ बड़ा है), तो इसका प्रिसिजन लुप्त हो जाता ( $\tau_p \to 0$ ), और इनिशियलाइजेशन स्वचालित रूप से मूल, प्रायर-मुक्त MPPI पर वापस आ जाता है। इसके लिए किसी सीखे गए गेट्स या ट्यूनिंग की आवश्यकता नहीं होती है।

3. मुख्य योगदान (Key Contributions)

आर्किटेक्चरल सादगी (Architectural Simplicity): यह प्रदर्शित करता है कि एक्शन प्रायर को वर्ल्ड मॉडल के फ्रोजन एनकोडर से सीधे एक लाइटवेट MLP का उपयोग करके निकाला जा सकता है, जिससे अलग, भारी पर्सेप्चुअल सिस्टम या VLMs की आवश्यकता समाप्त हो जाती है।
पैरामीटर-फ्री इंटीग्रेशन (Parameter-Free Integration): एक क्लोज्ड-फॉर्म, प्रिसिजन-वेटेड फ्यूजन मैकेनिज्म पेश करता है जिसमें एक सिंगल स्केल फैक्टर के अलावा कोई इन्फरेंस-टाइम ऑप्टिमाइजेशन या हाइपरपैरामीटर ट्यूनिंग की आवश्यकता नहीं होती है।
प्रिसिजन के माध्यम से मजबूती (Robustness via Precision): वार्म-स्टार्टिंग (जो वेरिएंस जानकारी को त्याग देता है) के विपरीत, PRISM पूरे प्लानिंग होराइजन के दौरान प्रायर के प्रति-स्टेट कॉन्फिडेंस (प्रिसिजन) को सुरक्षित रखता है, जिससे अनरिलायबल प्रायर होने पर भी ग्रेसफुल डिग्रेडेशन संभव होता है।
सैंपल एफिशिएंसी (Sample Efficiency): यह काफी कम सैंपलिंग बजट के साथ महत्वपूर्ण प्रदर्शन लाभ प्राप्त करता है, जो इसे सीमित हार्डवेयर पर रियल-टाइम कंट्रोल के लिए उपयुक्त बनाता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने दो सिम्युलेटेड विजुअल मैनिपुलेशन टास्क (PushT और Cube) पर PRISM का मूल्यांकन किया और दो रियल-रोबोट प्लेटफॉर्म्स (Franka PushT और ARX X5 Cube) पर इसे मान्य किया।

प्रदर्शन लाभ (Performance Gains):
- PushT: PRISM-MPPI ने वैनिला MPPI (89% बनाम 54% @ $K=128$ ) की तुलना में सफलता दर में 35 प्रतिशत अंक सुधार किया और विभिन्न सैंपल बजट केAcross 23–35 pp का सुधार दिखाया।
- Cube: PRISM-MPPI ने वैनिला MPPI (79% बनाम 47% @ $K=128$ ) की तुलना में सफलता दर में 32 प्रतिशत अंक सुधार किया।
- सैंपल एफिशिएंसी: PRISM के छोटे सैंपल बजट ( $K=32$ ) ने वैनिला MPPI के बड़े बजट ( $K=128$ ) की तुलना में PushT पर +25 pp और Cube पर +35 pp से बेहतर प्रदर्शन किया।
एब्लेशन स्टडीज (Ablation Studies):
- वेरिएंस बनाम मीन (Variance vs. Mean): केवल प्रायर के मीन (वार्म-स्टार्ट) का उपयोग करने से प्रदर्शन में सुधार हुआ लेकिन यह सैंपल बजट के साथ स्केल करने में विफल रहा और कभी-कभी प्रदर्शन गिर गया। वेरिएंस (फुल PoG फ्यूजन) को शामिल करना मजबूत स्केलिंग के लिए आवश्यक था।
- प्लानर चॉइस (MPPI बनाम CEM): लो सैंपल बजट ( $K=32$ ) पर PRISM-MPPI (फिक्स्ड कोवेरिएंस), PRISM-CEM (एडैप्टिव कोवेरिएंस) की तुलना में काफी बेहतर रहा, जहाँ बायस्ड एलीट्स (biased elites) के कारण CEM का वेरिएंस रिफिटिंग कोलैप्स हो गया था।
- एनकोडर एगोस्टिसिज्म (Encoder Agnosticism): फ्यूजन मैकेनिज्म ने लाभ प्रदान किया, भले ही टास्क-ट्रेन्ड एनकोडर को फ्रोजन DINOv2 एनकोडर से बदला गया हो, हालांकि पूर्ण प्रदर्शन एनकोडर की उपयुक्तता पर निर्भर था।
रियल-रोबोट डिप्लॉयमेंट (Real-Robot Deployment): PRISM ने सफलतापूर्वक फ्रैंका (Franka) और ARX X5 पर ट्रांसफर किया, जिसमें क्रमशः 35% और 45% की सफलता दर देखी गई, जो कंट्रोल लूप में जीरो-लेटेंसी ओवरहेड प्रदर्शित करता है।
BC/DP के साथ तुलना: बिहेवियर क्लोनिंग (BC) और डिफ्यूजन पॉलिसी (DP) ने आशाजनक प्रदर्शन दिखाया, लेकिन वे आम तौर पर प्लानिंग मेथड्स से पीछे रहे। विशेष रूप से, 19.3M-पैरामीटर वाला डिफ्यूजन पॉलिसी मल्टीमॉडल PushT टास्क पर कोलैप्स हो गया (41% SR), जबकि PRISM ने 89% हासिल किया, जो केवल 1.0M पैरामीटर हेड के बावजूद मल्टीमॉडल सेटिंग्स में PRISM की मजबूती को उजागर करता है।

5. महत्व और दावे (Significance and Claims)

लेखक दावा करते हैं कि PRISM प्लानर्स द्वारा सीखे गए प्रायर का उपयोग करने के तरीके में एक बदलाव का प्रतिनिधित्व करता है। यह तर्क देकर कि अलग प्रायर मॉडल्स का "आर्किटेक्चरल ब्लोट" अनावश्यक है, PRISM वर्ल्ड मॉडल के अंतर्निहित स्ट्रक्चर का लाभ उठाता है।

इसका महत्व निम्नलिखित में निहित है:

दक्षता (Efficiency): यह कैंडिडेट सैंपल्स के एक अंश के साथ बेहतर प्लानिंग प्रदर्शन प्राप्त करता है, जो उच्च रियल-टाइम कंट्रोल फ्रीक्वेंसी या एज डिवाइसेस पर संचालन को सक्षम बनाता है।
मजबूती (Robustness): प्रिसिजन-वेटेड फ्यूजन यह सुनिश्चित करता है कि प्लानर कभी भी भ्रामक प्रायर पर निर्भर न रहे; जब प्रायर अनसर्टेन होता है, तो यह स्वचालित रूप से एक सुरक्षित, अनइन्फॉर्म्ड बेसलाइन पर वापस आ जाता है।
सादगी (Simplicity): यह एक "पैरामीटर-फ्री" (इन्फरेंस-टाइम ऑप्टिमाइजेशन के संदर्भ में) और क्लोज्ड-फॉर्म समाधान प्रदान करता है जो वर्ल्ड मॉडल को फिर से प्रशिक्षित किए बिना या जटिल इन्फरेंस-टाइम नेटवर्क्स जोड़े बिना मौजूदा MPPI पाइपलाइनों के साथ सहजता से एकीकृत होता है।

लेखक निष्कर्ष निकालते हैं कि PRISM एक व्यापक सिद्धांत का उदाहरण है: एक प्लानर के इनिशियलाइजेशन में लाइटवेट, सीखे गए प्रायर को प्रिसिजन अरिथमेटिक का उपयोग करके एकीकृत करने से सुरक्षा या कम्प्यूटेशनल दक्षता से समझौता किए बिना कंटीन्यूअस कंट्रोल में पर्याप्त लाभ मिल सकता है।