🤖 AI

Real-Time Execution with Autoregressive Policies

यह शोधपत्र यह प्रदर्शित करता है कि टोकेनाइजेशन क्षितिज (tokenization horizons) को समायोजित करके और नियंत्रित डिकोडिंग (constrained decoding) लागू करके, ऑटोरेग्रेसिव नीतियां सख्त विलंबता सीमाओं (latency bounds) के साथ वास्तविक समय निष्पादन प्राप्त कर सकती हैं, जिससे वे कार्य पूर्णता की गति और सामान्यीकरण दोनों में फ्लो-मैचिंग समकक्षों से बेहतर प्रदर्शन करती हैं।

मूल लेखक: Sangkyu Lee, Seohyeon Park, Tackgeun You, Avi Caciularu, Idan Szpektor, Hwasup Lim, Youngjae Yu

प्रकाशित 2026-06-12

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Sangkyu Lee, Seohyeon Park, Tackgeun You, Avi Caciularu, Idan Szpektor, Hwasup Lim, Youngjae Yu

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 कोई कार्य करना सिखा रहे हैं, जैसे कपों को एक के ऊपर एक रखना या किसी खिलौने को उठाना। ऐसा करने के लिए, रोबोट एक "मस्तिष्क" (एक बड़ा AI मॉडल) का उपयोग करता है, जो दुनिया को देखता है, सोचता है कि क्या करना है, और फिर उसके हाथों को निर्देश भेजता है।

इन बड़े AI मस्तिष्क के साथ समस्या यह है कि वे सोचने में धीमे होते हैं। उन्हें जानकारी को प्रोसेस करने के लिए समय चाहिए होता है। पुराने तरीके में (Synchronous Inference), रोबोट को पूरी तरह से रुकना पड़ता था, मस्तिष्क के सोचने तक इंतज़ार करना पड़ता था, और फिर दोबारा चलना पड़ता था। यह एक ऐसे ड्राइवर की तरह है जिसे हर लाल बत्ती पर कार रोकनी पड़ती है, लाइट हरी होने का इंतज़ार करना पड़ता है, और फिर से गाड़ी शुरू करनी पड़ती है। यह रोबोट को अनाड़ी, धीमा और प्रतिक्रियाहीन बना देता है।

इसे ठीक करने के लिए, शोधकर्ताओं ने आमतौर पर एक अलग प्रकार के "मस्तिष्क" (जिसे Diffusion Policies कहा जाता है) का उपयोग करने की कोशिश की, जो तेज़ी से सोच सके। लेकिन इस पेपर के लेखकों ने पूछा: क्या होगा अगर हम मूल, धीमे "Autoregressive" मस्तिष्क को वास्तविक समय (real-time) में भी उतना ही अच्छा काम करने के योग्य बना सकें?

उन्होंने इसे कैसे किया, यहाँ एक सरल उपमा (analogy) के माध्यम से दिया गया है:

"शेफ और वेटर" की उपमा

कल्पना कीजिए कि रोबोट का मस्तिष्क एक शेफ (AI मॉडल) है और रोबोट का हाथ एक वेटर है।

पुरानी समस्या (Synchronous):
वेटर शेफ से पूछता है, "मुझे आगे क्या करना चाहिए?" शेफ खाना बनाना रोकता है, काफी देर तक सोचता है, कागज पर एक पूरा 10-चरणों वाला नुस्खा (recipe) लिखता है, और वेटर को थमा देता है। वेटर उस पूरे नुस्खे को पढ़ता है और फिर चरणों को करना शुरू करता है। जब वेटर पहले 5 चरणों को करने में व्यस्त होता है, तो शेफ अगले नुस्खे के बारे में सोचने के बजाय वहीं बैठा खाली बैठा रहता है। इससे रोबोट "रुक" जाता है और पीछे रह जाता है।

नया समाधान (Autoregressive Policies के साथ Real-Time Execution):
लेखकों ने महसूस किया कि वे शेफ के मस्तिष्क को बदले बिना, शेफ और वेटर के बीच बातचीत करने के तरीके को बदल सकते हैं।

छोटे बैच (The Tokenization Horizon):
शेफ से एक बार में पूरा 10-चरणों वाला नुस्खा लिखने के लिए कहने के बजाय, वे एक बार में केवल 2 चरण मांगते हैं। यह लिखना बहुत तेज़ है।
उपमा: शेफ एक छोटा सा नोट लिखता है: "चरण 1: कप उठाएं। चरण 2: प्लेट की ओर बढ़ें।" वेटर तुरंत इस नोट को पकड़ता है और हिलना शुरू कर देता है।
एक्शन क्यू (The Action Queue - द कन्वेयर बेल्ट):
वेटर इन छोटे नोट्स का एक छोटा ट्रे (क्यू) रखता है। जैसे ही वेटर पहला नोट पूरा करता है, वह ट्रे से अगला नोट उठा लेता है।
उपमा: वेटर कभी भी हिलना बंद नहीं करता क्योंकि ट्रे पर हमेशा एक नोट तैयार रहता है। शेफ अगला नोट लिखते समय व्यस्त होता है, जबकि वेटर वर्तमान वाले नोट को पहले से ही पूरा कर रहा होता है। यह Asynchronous Inference (चलते हुए सोचना) है।
सुरक्षा गार्ड (The Safety Guard - Constrained Decoding):
चूंकि शेफ तेज़ी से लिख रहा है, इसलिए यह जोखिम है कि वे कुछ ऐसा लिख दें जो बहुत लंबा हो या जिसका कोई अर्थ न हो (जैसे कि एक ऐसा नुस्खा जो कहता है "चाँद पर कूदें")। लेखकों ने एक "सुरक्षा गार्ड" जोड़ा जो शेफ के काम की जाँच करता है।
उपमा: सुरक्षा गार्ड यह सुनिश्चित करता है कि शेफ केवल ऐसे नोट्स लिखे जो इतने छोटे हों जिन्हें वेटर के पास समय खत्म होने से पहले पढ़ा जा सके। यदि शेफ बहुत लंबा वाक्य लिखने की कोशिश करता है, तो गार्ड उसे काट देता है या एक सरल संस्करण बनाने के लिए मजबूर करता है। यह गारंटी देता है कि वेटर को कभी भी रुककर इंतज़ार नहीं करना पड़ेगा।
"सबसे अच्छा अनुमान" रणनीति (The "Best Guess" Strategy - Multi-Trajectory Decoding):
जब वेटर व्यस्त होता है, तो शेफ के पास थोड़ा अतिरिक्त समय होता है। केवल एक नोट लिखने के बजाय, शेफ जल्दी से अगले चरण के चार अलग-अलग संस्करण तैयार करता है और उनमें से सबसे अच्छा चुनता है।
उपमा: शेफ सोचता है, "विकल्प A: बाईं ओर बढ़ें। विकल्प B: दाईं ओर बढ़ें। विकल्प C: ऊपर उठाएं। विकल्प D: नीचे उठाएं।" सुरक्षा गार्ड इन चारों की तेज़ी से जाँच करता है, और वेटर निष्पादित करने के लिए सबसे अच्छे को चुनता है। यह रोबोट को धीमे किए बिना स्मार्ट और अधिक सटीक बनाता है।

उन्हें क्या मिला?

शोधकर्ताओं ने कंप्यूटर सिमुलेशन और वास्तविक दुनिया दोनों में रोबोट पर इस नए तरीके का परीक्षण किया।

"धीमे" मस्तिष्क से तेज़: भले ही मूल "Autoregressive" मस्तिष्क को धीमा माना जाता था, इस नए तरीके ने इसे इतना सुचारू बना दिया कि इसने कई कार्यों में नए, "तेज़" Diffusion मस्तिष्क को भी पछाड़ दिया।
निर्देशों का पालन करने में बेहतर: क्योंकि Autoregressive मस्तिष्क स्वाभाविक रूप से जटिल भाषा (जैसे इंसान द्वारा नुस्खा पढ़ना) को समझने में अच्छा है, इसलिए यह अन्य प्रकार के रोबोटों की तुलना में निर्देशों का बेहतर पालन करता है, भले ही वह तेज़ी से चल रहा हो।
कोई ठहराव नहीं: रोबोट कभी भी हिलना बंद नहीं करता। वह बदलावों पर तुरंत प्रतिक्रिया देता है क्योंकि "शेफ" हमेशा एक कदम आगे होता है, अगला नोट लिखते समय जबकि "वेटर" अभी भी चल रहा होता है।

मुख्य निष्कर्ष

यह पेपर सिद्ध करता है कि रोबोट को रियल-टाइम में चलाने के लिए आपको उसके AI मस्तिष्क के प्रकार को बदलने की आवश्यकता नहीं है। आपको बस मस्तिष्क से निर्देश मांगने का तरीका बदलने की आवश्यकता है। निर्देशों को छोटे टुकड़ों में तोड़कर, उनकी गति की जाँच करके, और रोबोट के चलते समय मस्तिष्क को सोचने देने से, आप यहाँ तक कि "धीमे" सोचने वालों को भी तेज़, सुचारू और अत्यधिक प्रतिक्रियाशील बना सकते हैं।

संक्षेप में: इंजन को न बदलें; बस ट्रांसमिशन बदलें।

तकनीकी सारांश: ऑटोरेग्रेसिव पॉलिसियों के साथ रियल-टाइम निष्पादन

1. समस्या विवरण

रोबोटिक्स में बड़े पैमाने के विजन-लैंग्वेज-एक्शन (VLA) मॉडलों की तैनाती एक महत्वपूर्ण बाधा का सामना कर रही है: इन्फरेंस लेटेंसी (Inference Latency)। फाउंडेशन मॉडलों में निहित बड़े पैरामीटर आकार "सोचो-फिर-चलो" (सिंक्रोनस इन्फरेंस) प्रतिमान के कारण रोब-इडल टाइम (रोबोट के खाली समय) को बढ़ा देते हैं। इस अंतराल के दौरान, रोबोट पर्यावरणीय परिवर्तनों के प्रति प्रतिक्रिया नहीं दे पाता है, जिससे उसकी प्रतिक्रियात्मकता और कार्य पूर्ण करने की गति दोनों से समझौता होता है।

जबकि हाल के कार्यों ने रियल-टाइम निष्पादन (असिंक्रोनस इन्फरेंस या "चलते-चलते सोचना") को संबोधित किया है, वे मुख्य रूप से डिफ्यूजन-आधारित पॉलिसियों (पैरेलल डिकोडिंग) पर केंद्रित रहे हैं। ऑटोरेग्रेसिव पॉलिसियाँ (सीक्वेंशियल डिकोडिंग), जो कन्वर्जेंस स्पीड और इंस्ट्रक्शन-फॉलोइंग जनरलाइज़ेबिलिटी में लाभ प्रदान करती हैं, उन्हें रियल-टाइम निष्पादन अनुसंधान से काफी हद तक बाहर रखा गया है। ऐसा इसलिए है क्योंकि उनकी क्रमिक प्रकृति आमतौर पर उच्च लेटेंसी ( $\delta_{t,H}$ ) का कारण बनती है, जिससे वे असिंक्रोनस कंट्रोल की सख्त समय आवश्यकताओं के लिए अनुपयुक्त हो जाती हैं जहाँ रोबोट को बिना रुके निरंतर क्रियाएं प्राप्त करनी होती हैं।

मुख्य चुनौती यह है कि ऑटोरेग्रेसिव पॉलिसियों को उनके अंतर्निहित लाभों से समझौता किए बिना रियल-टाइम में संचालित करने में सक्षम बनाना है, यह सुनिश्चित करते हुए कि रोबोट को टोकन-दर-टोकन जनरेशन की परिवर्तनशील और अक्सर उच्च लेटेंसी के बावजूद क्रियाओं की एक निरंतर धारा प्राप्त होती रहे।

2. कार्यप्रणाली

लेखक $\pi_0$ -REALFAST प्रस्तावित करते हैं, जो चार प्रमुख तकनीकी समायोजनों के माध्यम से ऑटोरेग्रेसिव पॉलिसियों के लिए रियल-टाइम निष्पादन को सक्षम बनाता है:

A. एक्शन होराइजन्स और टोकेनाइजेशन का पृथक्करण

लेखक एक्शन चंकिंग रणनीति को पुनर्व्याख्यायित करते हैं। पूरे एक्शन होराइज $H$ को एक साथ टोकेनाइज करने के बजाय, वे $H = 2m$ सेट करते हैं और दो चरणों में टोकेनाइज करते हैं:

कंडीशनिंग प्रीफिक्स: पहले $m$ एक्शन (जो पहले ही निष्पादित किए जा चुके हैं या कतार में हैं) को प्रीफिक्स ( $T_m(A_{0:m})$ ) के रूप में टोकेनाइज किया जाता है।
प्रेडिक्शन: मॉडल वर्तमान प्रेक्षण (observation) और प्रीफिक्स पर आधारित अगले $m$ एक्शन ( $T_m(A_{m:2m})$ ) की भविष्यवाणी करता है।
यह एक एकल इन्फरेंस स्टेप में डिकोड किए जाने वाले टोकन की संख्या को कम करता है, जिससे अगले एक्शन योग्य चंक को जनरेट करने के लिए आवश्यक लेटेंसी $\delta_{t,m}$ सीधे तौर पर कम हो जाती है।

B. लेटेंसी बाउंड्स के लिए कंस्ट्रेंड डिकोडिंग (Constrained Decoding)

यह गारंटी देने के लिए कि रोबोट कभी भी नहीं रुकेगा, सिस्टम को यह सुनिश्चित करना चाहिए कि अगले चंक को डिकोड करने का समय ( $\delta_{t,m}$ ), वर्तमान चंक द्वारा उपभोग किए जाने वाले समय ( $d_m \cdot \Delta t$ ) से अधिक न हो।

समस्या: ऑटोरेग्रेसिव मॉडलों में टोकन की लंबाई भिन्न होती है, जिससे लेटेंसी अप्रत्याशित हो जाती है।
समाधान: लेखक कंस्ट्रेंड डिकोडिंग लागू करते हैं। वे डिकोडिंग प्रक्रिया को डायनेमिक प्रोग्रामिंग (DP) का उपयोग करके एक सीमित "कॉइन चेंज प्रॉब्लम" के रूप में मॉडल करते हैं।
- एक DP टेबल को प्रीकंप्यूट किया जाता है ताकि यह निर्धारित किया जा सके कि क्या एक विशिष्ट टोकन सीक्वेंस लंबाई $L$ को अधिकतम स्टेप काउंट $B$ के भीतर वैध रूप से डिटोकेनाइज किया जा सकता है।
- इन्फरेंस के दौरान, उन टोकन के लॉजिट्स (logits) को मास्क आउट कर दिया जाता है जो लेटेंसी बाउंड का उल्लंघन करेंगे (अर्थात, एक ऐसा सीक्वेंस जो $B$ स्टेप्स के भीतर डिटोकेनाइज नहीं किया जा सकता)।
- यह गारंटी देता है कि डिकोडिंग प्रक्रिया एक सख्त लेटेंसी बाउंड $\delta'$ के भीतर पूरी हो जाती है, जिससे $d_m \le m$ सुनिश्चित होता है।

C. मल्टी-ट्रैजेक्टरी डिकोडिंग

इन्फरेंस और एक्शन कंजम्प्शन के बीच लेटेंसी गैप के दौरान उत्पन्न "इडल" समय के दौरान प्रदर्शन को अधिकतम करने के लिए, लेखक मल्टी-ट्रैजेक्टरी डिकोडिंग का उपयोग करते हैं।

मॉडल $N$ कैंडिडेट ट्रैजेक्टरीज (जैसे, $N=4$ ) को समानांतर में जनरेट करता है।
चूंकि प्रीफिक्स (KV कैश) साझा किया जाता है, इसलिए कम्प्यूटेशनल ओवरहेड मामूली होता है।
सर्वोत्तम ट्रैजेक्टरी का चयन संभावना (likelihood) के आधार पर किया जाता है, जो वर्स्ट-केस लेटेंसी बाउंड को बढ़ाए बिना टास्क सक्सेस रेट में सुधार करता है।

D. असिंक्रोनस इन्फरेंस लूप

सिस्टम एसिंक्रोनस रूप से कार्य करता है:

क्लाइंट (रोबोट कंट्रोलर) एक एक्शन क्यू (AQ) बनाए रखता है।
सर्वर (पॉलिसी) AQ प्रीफिक्स पर आधारित अगले $m$ टोकन को डिकोड करता है।
एक बार डिकोडिंग पूरी हो जाने पर (बाउंड के भीतर), नए चंक को AQ में जोड़ दिया जाता है।
रोबोट AQ से क्रियाओं को निरंतर निष्पादित करता है, यह सुनिश्चित करते हुए कि यदि पॉलिसी अगला चंक कंप्यूट कर रही है, तब भी कोई ठहराव न आए।

3. प्रमुख योगदान

ऑटोरेग्रेसिव रियल-टाइम निष्पादन की व्यवहार्यता: यह पेपर प्रदर्शित करता है कि ऑटोरेग्रेसिव पॉलिसियाँ रियल-टाइम निष्पादन प्राप्त कर सकती हैं, जो इस धारणा को चुनौती देती है कि वे असिंक्रोनस कंट्रोल के लिए बहुत धीमी हैं।
लेटेंसी-गारंटीड डिकोडिंग: डायनेमिक प्रोग्रामिंग के माध्यम से कंस्ट्रेंड डिकोडिंग का परिचय सख्त लेटेंसी बाउंड सुनिश्चित करता है, जो असिंक्रोनस सेटिंग्स में रोबोट के रुकने को रोकने के लिए एक पूर्व शर्त है।
परफॉरमेंस ऑप्टिमाइजेशन: कम टोकन होराइज ( $m$ ) और मल्टी-ट्रैजेक्टरी डिकोडिंग का संयोजन ऑटोरेग्रेसिव पॉलिसियों को रियल-टाइम परिदृश्यों में समकक्ष-स्तर की फ्लो-मैचिंग (डिफ्यूजन) पॉलिसियों से बेहतर प्रदर्शन करने की अनुमति देता है।
एक्सटर्नल लेटेंसी के प्रति मजबूती: यह विधि उच्च सफलता दर बनाए रखती है भले ही बाहरी लेटेंसी (नेटवर्क/सेंसर) भिन्न हो, बशर्ते इन्फरेंस फ्रीक्वेंसी ( $d_m$ ) को सही ढंग से प्रबंधित किया जाए।

4. प्रयोगात्मक परिणाम

लेखकों ने सिमुलेटेड और वास्तविक दुनिया के वातावरण में $\pi_0$ (फ्लो-मैचिंग) और $\pi_0.5$ (FAST टोकेनाइज़र के साथ फ्लो-मैचिंग) सहित बेसलाइन्स के विरुद्ध $\pi_0$ -REALFAST (जो $\pi_0$ -FAST से फाइन-ट्यून किया गया है) का मूल्यांकन किया।

सिमुलेटेड एनवायरनमेंट (LIBERO):
- $\pi_0$ -REALFAST ने सभी टास्क श्रेणियों (स्पेशियल, ऑब्जेक्ट, गोल, लॉन्ग) में रियल-टाइम एक्शन चंकिंग (RTC) के साथ $\pi_0$ को लगातार पछाड़ दिया।
- इसने अधिक उन्नत $\pi_0.5$ के समान प्रदर्शन हासिल किया, जबकि $\pi_0.5$ को बड़े डेटासेट पर प्रशिक्षित किया गया था।
- अध्ययन ने रेखांकित किया कि $d_m \le m$ को लागू करना (यह अनुमति देना कि इन्फरेंस फ्रीक्वेंसी एक्शन कंजम्प्शन रेट से कम हो) सख्त $d_m = m$ सिंक्रोनाइज़ेशन की तुलना में अधिक मजबूत है, जिसके कारण $\pi_0$ में प्रदर्शन में गिरावट आई थी।
रियल-वर्ल्ड एनवायरनमेंट (DROID):
- ज़ीरो-शॉट टेबलटॉप मैनिपुलेशन कार्यों में, $\pi_0$ -REALFAST ने सिंक्रोनस $\pi_0$ -FAST बेसलाइन को काफी पीछे छोड़ दिया।
- इसने $\pi_0$ से बेहतर प्रदर्शन किया और $\pi_0.5$ के समान प्रदर्शन दिखाया।
- गुणात्मक विश्लेषण: सिंक्रोनस इन्फरेंस के विपरीत, जो अक्सर ओवरशूटिंग (ट्रैजेक्टरी के बीच में समायोजन करने में असमर्थता) के कारण टकराव (collisions) का कारण बनता है, $\pi_0$ -REALFAST ने टकराव से बचने के लिए रियल-टाइम में ट्रैजेक्टरीज को सफलतापूर्वक समायोजित किया, जो बार-बार एक्शन अपडेट करने के महत्वपूर्ण मूल्य को प्रदर्शित करता है।
एब्लेशन स्टडीज (Ablation Studies):
- कंस्ट्रेंड डिकोडिंग: कंस्ट्रेंड डिकोडिंग को हटाने से प्रदर्शन में गिरावट आई, जो इसकी विश्वसनीयता के लिए इसकी आवश्यकता की पुष्टि करता है।
- ट्रेनिंग स्टेप्स: मॉडल ने 6k स्टेप्स के भीतर तेजी से पीक परफॉरमेंस हासिल की, जो ऑटोरेग्रेसिव पॉलिसियों के तेज़ कन्वर्जेंस गुणों के अनुरूप है।
- मल्टी-ट्रैजेक्टरी: $N$ (ट्रैजेक्टरीज की संख्या) बढ़ाने से सफलता दर में सुधार हुआ, जो इडल कंप्यूट समय का उपयोग करने की उपयोगिता को प्रमाणित करता है।

5. महत्व और दावे

पेपर का दावा है कि ऑटोरेग्रेसिव पॉलिसियाँ रियल-टाइम रोबोटिक कंट्रोल के लिए एक प्रतिस्पर्धी और व्यवहार्य विकल्प हैं, बशर्ते कि इन्फरेंस लेटेंसी को विशिष्ट आर्किटेक्चरल और डिकोडिंग रणनीतियों के माध्यम से प्रबंधित किया जाए।

ट्रेड-ऑफ का पुनर्मूल्यांकन: लेखक तर्क देते हैं कि क्षेत्र ने पॉलिसी मजबूती और जनरलाइज़ेबिलिटी की कीमत पर (रिएक्टिविटी सुरक्षित करने के लिए) इन्फरेंस लेटेंसी को कम करने को अत्यधिक प्राथमिकता दी है। उनके परिणाम बताते हैं कि एक थोड़ा उच्च लेकिन बाउंडेड (सीमित) लेटेंसी, जब ऑटोरेग्रेसिव जनरलाइजेशन क्षमताओं के साथ जोड़ी जाती है, तो उन लो-लेटेंसी पॉलिसियों की तुलना में बेहतर परिणाम देती है जिनमें ये क्षमताएं नहीं हैं।
नेटिव सपोर्ट: निष्कर्ष ऑटोरेग्रेसिव पॉलिसियों को रियल-टाइम निष्पादन को नेटिव रूप से सपोर्ट करने के लिए प्री-ट्रेन करने के लिए प्रेरित करते हैं, न कि उन्हें डिफ्यूजन-आधारित दृष्टिकोणों के माध्यमिक के रूप में मानने के लिए।
सीमाएँ: लेखक विनम्रतापूर्वक नोट करते हैं कि उनके प्रयोग वर्तमान में सिंगल-आर्म, अपेक्षाकृत स्थिर टेबलटॉप वातावरण तक सीमित हैं। बाइमैनुअल या अत्यधिक गतिशील कार्यों तक विस्तार करने के लिए अधिक टोकन डिकोड करने की आवश्यकता होगी, जिससे सख्त लेटेंसी बाधाएं लग सकती हैं जिनके लिए आगे के आर्किटेक्चरल नवाचारों (जैसे, स्पेक्युलेटिव डिकोडिंग) की आवश्यकता हो सकती है।

निष्कर्षतः, यह कार्य स्थापित करता है कि असिंक्रोनस इन्फरेंस, टोकेनाइजेशन होराइज एडजस्टमेंट, और कंस्ट्रेंड डिकोडिंग के साथ, ऑटोरेग्रेसिव पॉलिसियाँ अपने बेहतर इंस्ट्रक्शन-फॉलोइंग और कन्वर्जेंस गुणों का लाभ उठाते हुए, रियल-टाइम रोबोटिक परिनियोजन में डिफ्यूजन-आधारित समकक्षों के बराबर या उनसे बेहतर प्रदर्शन कर सकती हैं।