← नवीनतम पेपर
🤖 machine learning

FlowMPC: Improving Flow Matching policies with World Models

यह शोध पत्र FlowMPC प्रस्तुत करता है, जो एक सीखे हुए वर्ल्ड मॉडल (world model) को टेस्ट-टाइम MPPI प्लानिंग करने के लिए एकीकृत करके रोबोटिक मैनिपुलेशन हेतु फ्लो मैचिंग पॉलिसियों को बेहतर बनाता है, जिससे मूल प्रशिक्षण उद्देश्य को बदले बिना कार्य सफलता दर में सुधार होता है।

मूल लेखक: Chandon Hamel

प्रकाशित 2026-06-16
📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें
CC BY 4.0

मूल लेखक: Chandon Hamel

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 रोबोटिक आर्म को किसी विशिष्ट वस्तु, जैसे कि एक क्यूब या YCB टूल, को उठाने और उसे ठीक उसी जगह रखने के लिए सिखा रहे हैं जहाँ आप चाहते हैं। यह पेपर पेश करता है कि उस रोबोट को और अधिक स्मार्ट बनाने का एक नया तरीका क्या है, जिसे FlowMPC कहा जाता है।

यहाँ बताया गया है कि यह कैसे काम करता है, सरल उपमाओं (analogies) का उपयोग करते हुए:

1. समस्या: एक "प्रतिभाशाली लेकिन नादान" प्रशिक्षु (Apprentice)

सबसे पहले, शोधकर्ताओं ने एक विधि का उपयोग करके रोबोट को प्रशिक्षित किया जिसे Flow Matching (FM) कहा जाता है। इस FM पॉलिसी को एक बहुत ही प्रतिभाशाली प्रशिक्षु के रूप में सोचें जिसने एक कुशल कारीगर को काम करते हुए हजारों वीडियो देखे हैं।

  • यह किसमें अच्छा है: क्योंकि इसने इतने सारे उदाहरणों से सीखा है, इसलिए यह अपने हाथ को चलाने के रचनात्मक और विविध तरीके उत्पन्न करने में बहुत अच्छा है। यह जानता है कि क्यूब उठाने का केवल एक तरीका नहीं है; इसके कई सफल रास्ते हो सकते हैं।
  • इसकी कमजोरी: यह प्रशिक्षु पूरी तरह से एक "नकलची" (imitator) है। यह केवल उसी आधार पर कार्य करता है जो इसने वीडियो में देखा है। यदि रोबोट कोई छोटी सी गलती करता है (जैसे कि थोड़ा सा डगमगाना) जो प्रशिक्षण वीडियो में नहीं थी, तो प्रशिक्षु घबरा सकता है या उस त्रुटि को बढ़ा सकता है, जिससे अंतिम क्षण में कार्य विफल हो सकता है। इसे यह नहीं पता कि अपनी गलतियों को सुधारने के लिए "आगे की सोच" कैसे की जाए।

2. समाधान: एक "क्रिस्टल बॉल" जोड़ना (विश्व मॉडल/World Model)

इसे ठीक करने के लिए, शोधकर्ताओं ने प्रशिक्षु को फिर से प्रशिक्षित नहीं किया। इसके बजाय, उन्होंने प्रशिक्षु को एक क्रिस्टल बॉल (एक सीखा हुआ World Model) और एक Planner दिया।

  • क्रिस्टल बॉल (World Model): यह एक सिम्युलेटर है जो भविष्य की भविष्यवाणी करता है। यदि रोबोट अपना हाथ इस तरह से हिलाता है, तो क्रिस्टल बॉल कहता है, "ठीक है, एक सेकंड में, वस्तु यहाँ होगी, और आप संभवतः सफल होंगे।" यदि वह उस तरह से हिलता है, तो वह कहता है, "नहीं, आप इसे गिरा देंगे।"
  • प्लानर (MPPI): यह निर्णय लेने वाला है। यह प्रशिक्षु से पूछता है: "हे, मुझे इस कार्य को पूरा करने के लिए 500 अलग-अलग विचार दो।"
    • प्रशिक्षु (FM policy) तेजी से अपने 24 सबसे अच्छे और रचनात्मक विचार उत्पन्न करता है जो उसने वीडियो से सीखे हैं।
    • प्लानर बाकी के 500 विचारों को रैंडम अनुमानों (random guesses) से भर देता है।
    • प्लानर फिर उन सभी 500 विचारों को भविष्य में देखने के लिए क्रिस्टल बॉल का उपयोग करता है। यह जाँचता है: "इनमें से कौन सा रास्ता वस्तु को गिराए बिना सफलतापूर्वक अंत तक ले जाएगा?"
    • अंत में, यह सबसे अच्छे पथ को चुनता है और पहला कदम निष्पादित करता है।

3. परिणाम: "अच्छे" से "महान" तक

शोधकर्ताओं ने दो कार्यों पर इसका परीक्षण किया: एक क्यूब उठाना और एक विशिष्ट टूल (PickSingleYCB) उठाना।

  • परिणाम: क्रिस्टल बॉल वाला रोबोट केवल लक्ष्य तक पहुँचा ही नहीं; बल्कि वह वहाँ टिका भी रहा।
    • PickCube: सफलता दर 93% से बढ़कर 97% हो गई।
    • PickSingleYCB: सफलता दर 57% से बढ़कर 66% हो गई।
  • मुख्य अंतर्दृष्टि: सबसे बड़ा सुधार कार्य के बिल्कुल अंत में हुआ। अकेले FM प्रशिक्षु अक्सर वस्तु को लक्ष्य के करीब तो ले आता था, लेकिन अंतिम सेकंडों में उसे संभालने में विफल रहता था। World Model एक सुरक्षा जाल (safety net) की तरह काम करता है, जिससे रोबोट छोटी गलतियों को सुधार पाता है और अंतिम क्षण तक वस्तु को स्थिर रख पाता है।

4. यह विशेष क्यों है

आमतौर पर, रोबोट को बेहतर बनाने के लिए, आपको उसे नए, जटिल नियमों के सेट के साथ फिर से प्रशिक्षित करना पड़ता है (Reinforcement Learning)। इस पेपर ने कुछ अलग किया:

  • इसने प्रशिक्षु के प्रशिक्षण को बिल्कुल वैसा ही रखा।
  • इसने बस कार्य को वास्तव में करने के समय एक "सोचने वाले चरण" (thinking step) को जोड़ा।

उपमा (Metaphor):
एक संगीतकार की कल्पना करें जिसने एक गीत को पूरी तरह से याद कर लिया है (FM policy)। वे इसे अच्छी तरह से बजाते हैं, लेकिन यदि वे एक नोट चूक जाते हैं, तो वे अपना स्थान खो सकते हैं।
FlowMPC उस संगीतकार को एक कंडक्टर देने जैसा है जो अपने दिमाग में संगीत के अगले कुछ सेकंडों को सुनता है। यदि संगीतकार एक ताल चूकने वाला होता है, तो कंडक्टर फुसफुसाता है, "वास्तव में, इसके बजाय इस थोड़े से बदलाव को आजमाएं," जिससे यह सुनिश्चित होता है कि गीत पूरी तरह से समाप्त हो।

सारांश

यह पेपर दिखाता है कि आप एक सीखे हुए नकलची (जो कार्य करने के कई तरीके जानता है) को एक भविदीय सिम्युलेटर (जो जानता है कि उनमें से कौन से तरीके वास्तव में काम करेंगे) के साथ जोड़कर एक रोबोट को काफी अधिक विश्वसनीय बना सकते हैं। यह रोबोट को वास्तविक समय में अपनी छोटी गलतियों को सुधारने की अनुमति देता है, जिससे सफलता दर बढ़ती है, विशेष रूप से कार्य के महत्वपूर्ण अंतिम क्षणों में।

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.LG →