🤖 AI

ARB4WM: An Adversarial Robustness Benchmark for World Models in Continuous Control

यह शोध पत्र ARB4WM को प्रस्तुत करता है, जो एक एकीकृत बेंचमार्क फ्रेमवर्क है जो विभिन्न गड़बड़ी रणनीतियों और टेम्पोरल अटैक मोड के तहत पॉलिसी, वैल्यू और लेटेंट-डायनामिक्स स्तरों पर पांच व्हाइट-बॉक्स लॉस ऑब्जेक्टिव्स का व्यवस्थित रूप से परीक्षण करके निरंतर नियंत्रण (कंटीन्यूअस कंट्रोल) में वर्ल्ड-मॉडल एजेंटों की एडवरसेरियल रोबस्टनेस का मूल्यांकन करता है।

मूल लेखक: Junjian Zhang, Hao Tan, Ruonan Li, Dong Zhu, Aiping Li, Zhaoquan Gu

प्रकाशित 2026-06-16

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Junjian Zhang, Hao Tan, Ruonan Li, Dong Zhu, Aiping Li, Zhaoquan Gu

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 एक फैक्ट्री में एक हाई-टेक रोबोटिक हाथ है। केवल वही देखने के बजाय जो वह अभी देख रहा है, इस रोबोट के पास एक "सपनों वाला" मस्तिष्क है। यह केवल एक तस्वीर नहीं देखता; यह एक मानसिक फिल्म बनाता है कि दुनिया कैसे काम करती है। यह कल्पना करता है, "यदि मैं अपना हाथ इस तरह हिलाता हूँ, तो कप वहाँ खिसक जाएगा।" यह अपनी चालों की योजना बनाने के लिए इन काल्पनिक फिल्मों का उपयोग करता है। इसे वर्ल्ड मॉडल (World Model) कहा जाता है।

यह शोध पत्र एक नया परीक्षण उपकरण पेश करता है जिसे ARB4WM कहा जाता है। ARB4WM को इन सपनों वाले रोबोटों के लिए एक "तनाव परीक्षण" (stress test) या "विलेन सिम्युलेटर" (villain simulator) के रूप में समझें। इसका काम यह देखना है कि वीडियो कैमरे के फीड में सूक्ष्म, लगभग अदृश्य बदलावों से इन रोबोटों के "सपनों" को कितनी आसानी से धोखा दिया जा सकता है।

यहाँ यह शोध पत्र इसे सरल उपमाओं का उपयोग करके समझाता है:

1. समस्या: वह "फुसफुसाहट" जो रोबोट को तोड़ देती है

अतीत में, शोधकर्ताओं ने मुख्य रूप से इस बात का परीक्षण किया कि क्या किसी रोबोट को अभी गलत कदम उठाने के लिए धोखा दिया जा सकता है। लेकिन ये "सपनों वाले" रोबोट अलग हैं। यदि आप कैमरे को थोड़ा सा भी चकमा देते हैं, तो यह केवल वर्तमान चाल को खराब नहीं करता है; यह रोबोट की याददाश्त (memory) और उसकी कल्पना (imagination) को भी भ्रष्ट कर देता है।

उपमा: कल्पना कीजिए कि आप एक कार चला रहे हैं जो आगे की सड़क का अनुमान लगाने के लिए जीपीएस (GPS) का उपयोग करती है। यदि कोई जीपीएस स्क्रीन पर एक छोटा, अदृश्य स्टिकर लगा देता है, तो कार न केवल अभी गलत दिशा में मुड़ सकती है; बल्कि यह पांच मिनट बाद यह भी मानने लग सकती है कि सड़क खत्म हो गई है और आगे खाई है। रोबोट की "मानसिक फिल्म" एक हॉरर फिल्म बन जाती है, जिससे वह बाद में घबरा सकता है या दुर्घटनाग्रस्त हो सकता है, भले ही कैमरा फिर से ठीक दिख रहा हो।

2. समाधान: ARB4WM (एक "विलेन सिम्युलेटर")

लेखकों ने चार अलग-अलग प्रकार के इन "सपनों वाले" रोबोटों (जिन्हें Dreamer, R2-Dreamer, Dreamer-InfoNCE, और Dreamer-Pro कहा जाता है) का परीक्षण करने के लिए एक ढांचा तैयार किया, जो ब्लॉक को एक के ऊपर एक रखने या पोल को संतुलित करने जैसे 20 विभिन्न कार्यों में सक्षम हैं।

उन्होंने केवल यह नहीं पूछा, "क्या आप रोबet को ब्लॉक गिराने के लिए मजबूर कर सकते हैं?" उन्होंने पूछा, "आप रोबोट के दिमाग को कैसे तोड़ सकते हैं?" उन्होंने सिस्टम को तोड़ने के पांच विशिष्ट तरीके आजमाए:

"भ्रमित निर्णय" हमला (The "Confused Decision" Attack): रोबोट को यह तय करने में अनिश्चित करने की कोशिश करना कि उसे क्या करना चाहिए।
"डरा हुआ दिमाग" हमला (The "Scared Brain" Attack): रोबोट को यह सोचने पर मजबूर करना कि हर स्थिति भयानक है (इसके कॉन्फिडेंस स्कोर को कम करना)।
"खराब याददाश्त" हमला (The "Bad Memory" Attack): रोबोट की आंतरिक स्मृति को भ्रष्ट करना ताकि वह भूल जाए कि वह कहाँ है।
"टूटा हुआ टाइम मशीन" हमला (The "Broken Time Machine" Attack): भविष्य के बारे में रोबोट के अनुमान को वास्तविक घटना के साथ असंगत बनाना।
"गलत नक्शा" हमला (The "Wrong Map" Attack): दुनिया के चलने के तरीके के बारे में रोबोट के आंतरिक मानचित्र को बिगाड़ देना।

3. निष्कर्ष: वे कब और कैसे टूटते हैं

शोधकर्ताओं ने पाया कि ये रोबोट कैसे विफल होते हैं, इसके बारे में कुछ आश्चर्यजनक बातें थीं:

यह केवल क्रिया (Action) के बारे में नहीं है: आपको रोबोट को तुरंत गलत हाथ चलाने के लिए धोखा देने की आवश्यकता नहीं है। यदि आप इसकी "वैल्यू सिस्टम" (कि कोई स्थिति कितनी अच्छी है) या इसकी "स्मृति" को धोखा देते हैं, तो रोबलेट बाद में विफल हो जाएगा।
"प्रारंभिक जहर" प्रभाव (The "Early Poison" Effect): यदि आप किसी कार्य के बिल्कुल शुरुआत में रोबोट को धोखा देते हैं, तो रोबोट के लिए उबरना बहुत कठिन होता है, बजाय इसके कि आप उसे अंत में धोखा दें। यह एक लंबी यात्रा की शुरुआत में पानी में जहर मिलाने जैसा है; यात्री बीमार हो जाता है और यात्रा पूरी नहीं कर पाता, भले ही बाद में पानी साफ हो जाए।
"फ्लैश" प्रभाव (The "Flash" Effect): आपको हर सेकंड रोबोट को धोखा देने की आवश्यकता नहीं है। यदि आप हर कुछ सेकंड में एक बार भी उसे धोखा देते हैं, तो रोबोट का "सपना" इतना दूषित हो सकता है कि वह दुर्घटनाग्रस्त हो जाए। रोबोट की याददाश्त गलत जानकारी को बहुत लंबे समय तक थामे रखती है।
सरल समाधान काम नहीं करते: शोधकर्ताओं ने हमलों को रोकने के लिए "फिल्टर्स" (जैसे इमेज को धुंधला करना या कंप्रेस करना) का उपयोग किया। इसने कभी-कभी थोड़ी मदद की, लेकिन यदि "विलेन" को उस फिल्टर के बारे में पता चल जाए, तो वे अपने तरीके को बदलकर उससे बच सकते हैं। यह एक जैकेट पहनकर जेबकतरे को रोकने की कोशिश करने जैसा है; यदि जेबकतरे को पता चल जाए कि आपने जैकेट पहनी है, तो वह जेब काटने का तरीका बदल लेगा।

4. विजेता और हारने वाले

शोध पत्र ने चार रोबोट दिमागों की तुलना की:

विजेता: R2-Dreamer सबसे मजबूत था। इसे धोखा देना सबसे कठिन था और यह हमले के बाद सबसे अच्छी तरह से उबर पाया। लेखक सुझाव देते हैं कि ऐसा इसलिए है क्योंकि इसे "रिडंडेंट" (दोहराव वाली) यादों को हटाने के लिए प्रशिक्षित किया गया था, जिससे इसका मानसिक मानचित्र स्वच्छ और भ्रमित करने में कठिन बना रहा।
हारने वाला: Dreamer-Pro, जिसे वस्तुओं को पहचानने में बहुत स्मार्ट बनाया गया था, वास्तव में सबसे आसानी से धोखा खाने वाला साबित हुआ। वस्तुओं को समूहबद्ध करने का इसका जटिल तरीका इसे सूक्ष्म बदलावों के प्रति बहुत संवेदनशील बनाता है।

5. मुख्य निष्कर्ष

इस शोध पत्र का मुख्य संदेश यह है कि हम केवल यह परीक्षण नहीं कर सकते कि रोबोट सही कदम उठा रहा है या नहीं। हमें इसके संपूर्ण आंतरिक प्रक्रिया का परीक्षण करना होगा: इसकी स्मृति, इसकी कल्पना और इसका आत्मविश्वास।

यदि हम इन रोबोटों को वास्तविक जीवन में (जैसे कारखानों या अस्पतालों में) उपयोग करना चाहते हैं, तो हमें उन्हें केवल बटन दबाने वाले साधारण कैमरों के रूप में देखना बंद करना होगा। हमें उन्हें जटिल सपने देखने वाले के रूप में मानना होगा और यह परीक्षण करना होगा कि उनके सपनों को कितनी आसानी से हाईजैक किया जा सकता है। ARB4WM टूल यह सुनिश्चित करने के लिए एक नया "तनाव परीक्षण" है कि जब वास्तव में जरूरत हो, तब इन रोबोटों के सपने बुरे सपने में न बदल जाएं।

तकनीकी सारांश: ARB4WM – निरंतर नियंत्रण के लिए वर्ल्ड मॉडल्स के लिए एक एडवर्सरियल रोबस्टनेस बेंचमार्क

1. समस्या विवरण

वर्ल्ड मॉडल्स, विशेष रूप से ड्रीमर-शैली (Dreamer-style) के एजेंट, निरंतर नियंत्रण प्रणालियों (जैसे कि रोबोटिक्स, स्वायत्त ड्राइविंग) में तेजी से तैनात किए जा रहे हैं क्योंकि वे योजना बनाने और निर्णय लेने के लिए लेटेंट डायनेमिक्स (latent dynamics) सीखने की क्षमता रखते हैं। मॉडल-फ्री एजेंटों के विपरीत, जो सीधे ऑब्जर्वेशन को एक्शन से मैप करते हैं, वर्ल्ड मॉडल्स विजुअल इनपुट को कॉम्पैक्ट लेटेंट स्टेट्स में एनकोड करते हैं, रिकरेंट डायनेमिक्स सीखते हैं, और इमेजिन्ड ट्रेजेक्टरीज (imagined trajectories) के माध्यम से व्यवहार को अनुकूलित करते हैं।

जबकि पूर्व कार्य स्थापित कर चुके हैं कि सुदृढीकरण सीखने (RL) वाले एजेंट प्रतिकूल ऑब्जर्वेशन (adversarial observations) के प्रति संवेदनशील होते हैं, मौजूदा मूल्यांकन वर्ल्ड मॉडल्स के लिए अपर्याप्त हैं। अधिकांश वर्तमान बेंचमार्क या तो मॉडल-फ्री पॉलिसी पर ध्यान केंद्रित करते हैं या एजेंट को एक साधारण पॉलिसी नेटवर्क के रूप में देखते हैं, जो केवल एक्शन-स्पेस रोबस्टनेस का मूल्यांकन करते हैं। यह दृष्टिकोण वर्ल्ड-मॉडल पाइपलाइन से विशिष्ट विफलता मोड (failure modes) को पकड़ने में विफल रहता है, जहाँ प्रतिकूल गड़बड़ी (perturbations) निम्नलिखित को दूषित कर सकती है:

रिकरेंट बिलीफ स्टेट्स (लेटेंट डायनेमिक्स)।
इमेजिन्ड रोलआउट्स के लिए उपयोग किए जाने वाले वैल्यू प्रेडिक्शंस।
रिकरेंट स्टेट-स्पेस मॉडल (RSSM) में पोस्टीरियर और प्रायर डिस्ट्रीब्यूशन के बीच कंसिस्टेंसी।

परिणामस्वरूप, इस बात की कमी है कि एक एकीकृत ढांचा कैसे निदान (diagnose) करे कि विभिन्न वर्ल्ड-मॉडल आर्किटेक्चर में प्रतिकूल विजुअल गड़बड़ी लेटेंट निर्णय लेने वाली पाइपलाइन को कहाँ और कैसे बाधित करती है।

2. कार्यप्रणाली: ARB4WM फ्रेमवर्क

लेखक ARB4WM प्रस्तुत करते हैं, जो विजुअल गड़बड़ी के तहत वर्ल्ड-मॉडल एजेंटों का मूल्यांकन करने के लिए डिज़ाइन किया गया एक दोहराने योग्य (repeatable) रोबस्टनेस टेस्टिंग फ्रेमवर्क है। यह फ्रेमवर्क MetaWorld और DeepMind Control Suite (DMC) के 20 कार्यों में चार ड्रीमर-फैमिली एजेंटों (Dreamer, R2-Dreamer, Dreamer-InfoNCE, और Dreamer-Pro) का मूल्यांकन करता है।

2.1. एकीकृत अटैक इंटरफेस

ARB4WM एक एकीकृत इंटरफेस को परिभाषित करता है जो इन्फरेंस और इमेजिनेशन रोलआउट के दौरान ड्रीमर पाइपलाइन के आंतरिक घटकों तक पहुँच प्रदान करता है। यह केवल अंतिम एक्शन आउटपुट के बजाय विशिष्ट आर्किटेक्चरल तत्वों पर लक्षित हमलों (targeted attacks) की अनुमति देता है।

2.2. पांच व्हाइट-बॉक्स अटैक ऑब्जेक्टिव्स

फ्रेमवर्क वर्ल्ड-मॉडल पाइपलाइन के विभिन्न घटकों को लक्षित करने के लिए पांच अलग-अलग लॉस ऑब्जेक्टिव्स पेश करता है:

पॉलिसी डाइवर्जेंस अटैक (PDA): क्लीन पॉलिसी डिस्ट्रीब्यूशन और एडवर्सरियल पॉलिसी डिस्ट्रीब्यूशन के बीच कुलबैक-लीब्लर (KL) डाइवर्जेंस को अधिकतम करता है ( $\mathcal{L}_{PDA} = D_{KL}(\pi_{clean} \parallel \pi_{adv})$ )।
पॉलिसी एंट्रॉपी अटैक (PEA): अनिश्चितता (indecisiveness) उत्पन्न करने के लिए एडवर्सरियल पॉलिसी की एंट्रॉपी को अधिकतम करता है ( $\mathcal{L}_{PEA} = \mathcal{H}(\pi_{adv})$ )।
वैल्यू सप्रेशन अटैक (VSA): लॉन्ग-होरिजन प्लानिंग को अस्थिर करने के लिए क्रिटिक के प्रेडिक्टेड स्टेट वैल्यू को न्यूनतम करता है ( $\mathcal{L}_{VSA} = -V(\tilde{f}_t)$ )।
लेटेंट ड्रिफ्ट अटैक (LDA): बिलीफ स्टेट को दूषित करने के लिए क्लीन और एडवर्सरियल लेटेंट स्टेट्स (दोनों स्टोकेस्टिक $z_t$ और डिटर्मिनिस्टिक $h_t$ ) के बीच स्क्वेर्ड $L_2$ डिस्टेंस को अधिकतम करता है ( $\mathcal{L}_{LDA} = \|z_t - z^{clean}_t\|^2_2 + \|h_t - h^{clean}_t\|^2_2$ )।
डायनेमिक्स कंसिस्टेंसी अटैक (DCA): लेटेंट इमेजिनेशन की कंसिस्टेंसी को तोड़ने के लिए RSSM पोस्टीरियर और प्रायर डिस्ट्रीब्यूशन के बीच KL डाइवर्जेंस को अधिकतम करता है ( $\mathcal{L}_{DCA} = D_{KL}(q(z_t) \parallel p(z_t))$ )।

2.3. ऑप्टिमाइजेशन और टेम्पोरल प्रोटोकॉल

ऑप्टिमाइज़र्स: फ्रेमवर्क सिंगल-स्टेप (FGSM) और मल्टी-स्टेप इटरेटिव (PGD) ग्रेडिएंट-आधारित हमलों दोनों का उपयोग करता है।
टेम्पोरल एक्सपोजर मोड्स: वास्तविक बाधाओं को सिम्युलेट करने और रिकरेंट स्टेट प्रोपेगेशन का अध्ययन करने के लिए, फ्रेमवर्क निम्नलिखित का मूल्यांकन करता है:
- फुल-फ्रेम (Full-frame): हर फ्रेम को गड़बित करना (अधिकतम दबाव)।
- हाफ-सीक्वेंस (Half-sequence): एपिसोड के पहले या दूसरे आधे हिस्से को गड़बित करना ताकि रिकवरी और लॉन्ग-टर्म प्रोपेगेशन का परीक्षण किया जा सके।
- स्पार्स-पीरियडिक (Sparse-periodic): इंटरमिटेंट हमलों के खिलाफ लेटेंट डायनेमिक्स की लचीलेपन का परीक्षण करने के लिए हर $n$ फ्रेम में गड़बड़ी करना।

2.4. मूल्यांकन मेट्रिक्स

फ्रेमवर्क रिपोर्ट करता है:

क्लीन-नॉर्मलाइज्ड एरिया अंडर कर्व (nAUC): गड़बड़ी के बजट केAcross प्रदर्शन को एकत्रित करता है।
डिफेंस रिकवरी: यह मापता है कि इनपुट डिफेंस (जैसे JPEG कम्प्रेशन, मीडियन फिल्टरिंग) प्रदर्शन को कितनी हद तक बहाल करते हैं।
एडाप्टिव-डिफेंस गैप: यह मापता है कि जब हमलावर डिफेंस से अवगत हो, तो डिफेंस की प्रभावशीलता में कितनी गिरावट आती है।
पॉलिसी सैलिएंसी डायग्नोस्टिक्स: विश्लेषण करता है कि एडवर्सरियल ऑब्जेक्टिव्स पॉलिसी द्वारा उपयोग किए जाने वाले स्थानिक साक्ष्य (सैलिएंसी मैप्स) को कैसे बदलते हैं।

3. मुख्य परिणाम

20 कार्यों और चार एजेंटों के माध्यम से किए गए प्रयोगों ने निम्नलिखित निष्कर्ष दिए:

कंपोनेंट-लेवल वल्नरेबिलिटी: वैल्यू एस्टीमेशन (VSA), लेटेंट रिप्रेजेंटेशन (LDA), और RSSM डायनेमिक्स (DCA) को लक्षित करने वाले हमले सीधे पॉलिसी व्यवधान (PDA/PEA) जितने ही हानिकारक पाए गए। कई मामलों में, VSA और PEA सबसे मजबूत अटैक ऑब्जेक्टिव थे, जो दर्शाता है कि क्रिटिक या पॉलिसी अनसर्टेन्टी को दूषित करना अत्यधिक प्रभावी है।
टेम्पोरल प्रोपेगेशन: फुल-फ्रेम हमलों ने सबसे महत्वपूर्ण गिरावट पैदा की। महत्वपूर्ण रूप से, शुरुआती गड़बड़ी (पहले-आधे के हमले) अक्सर बाद की गड़बड़ी की तुलना में अधिक हानिकारक थे, जो सुझाव देता है कि रिकरेंट लेटेंट स्टेट में इंजेक्ट की गई त्रुटियां हमले के रुकने के बाद भी बनी रहती हैं और फैलती हैं। स्पार्स हमले (हर 2 फ्रेम में) भी पर्याप्त गिरावट का कारण बने, जबकि उच्च अंतराल (हर 4-6 फ्रेम में) ने लेटेंट स्टेट को पुनः स्थापित (re-anchor) होने का अवसर दिया।
आर्किटेक्चर संवेदनशीलता: R2-Dreamer ने बेंचमार्क में सबसे मजबूत औसत रोबस्टनेस प्रदर्शित की, जबकि Dreamer-Pro लगातार सबसे कमजोर रहा, बावजूद इसके कि इसे बेहतर रिप्रेजेंटेशन लर्निंग के लिए डिज़ाइन किया गया था। यह सुझाव देता है कि नाममात्र की रिप्रेजेंटेशन क्वालिटी एडवर्सरियल स्थिरता की गारंटी नहीं देती है।
डिफेंस की सीमाएं: इनपुट-लेवल डिफेंस (JPEG, मीडियन फिल्टरिंग) ने नॉन-एडाप्टिव हमलों के तहत आंशिक रिकवरी प्रदान की लेकिन एडाप्टिव हमलों के खिलाफ सीमित सुरक्षा दी। डिफेंस की प्रभावशीलता कार्य-विशिष्ट थी; उदाहरण के लिए, वे रेडंडेंट विजुअल क्यूज़ वाले मैनिपुलेशन कार्यों में मदद करते थे लेकिन सटीक फीचर एक्सट्रैक्शन की आवश्यकता वाले बैलेंस-कंट्रोल कार्यों में विफल रहे।
सैलिएंसी शिफ्ट्स: एडवर्सरियल ऑब्जेक्टिव्स ने पॉलिसी की स्थानिक संवेदनशीलता को बदल दिया। वैल्यू और डायनेमिक्स कंसिस्टेंसी (VSA, DCA) पर हमलों ने पॉलिसी के ध्यान को टारगेट रीजन से अधिक महत्वपूर्ण रूप से हटाया।

4. महत्व और दावे

पेपर का दावा है कि ARB4WM वर्ल्ड-मॉडल एजेंटों के सुरक्षा मूल्यांकन में एक महत्वपूर्ण अंतर को भरता है, जो केवल एक्शन-स्पेस रोबस्टनेस से आगे बढ़कर काम करता है। इसके प्राथमिक योगदान और निहितार्थ हैं:

होलिस्टिक सेफ्टी असेसमेंट: लेखक तर्क देते हैं कि वर्ल्ड मॉडल्स के लिए रोबस्टनेस मूल्यांकन में पूरा लेटेंट निर्णय लेने वाला पाइपलाइन शामिल होना चाहिए, जिसमें पॉलिसी आउटपुट, क्रिटिक एस्टीमेट्स, लेटेंट रिप्रेजेंटेशन और डायनेमिक्स कंसिस्टेंसी शामिल हैं। केवल एक्शन-स्पेस मेट्रिक्स पर निर्भर रहने से आंतरिक विफलता मोड छूट जाते हैं जो सिस्टम के माध्यम से प्रसारित होते हैं।
टेम्पोरल रिस्क अवेयरनेस: फ्रेमवर्क यह रेखांकित करता है कि जोखिम मूल्यांकन के लिए टेम्पोरल एक्सपोजर प्रोटोकॉल आवश्यक हैं। लेटेंट स्टेट करप्शन की निरंतरता का अर्थ है कि सुरक्षा मूल्यांकन को यह विचार करना चाहिए कि क्या एक कंट्रोलर इंटरमिटेंट या शुरुआती चरण के व्यवधानों से उबर सकता है।
डिफेंस रियलिज्म: परिणाम बताते हैं कि इनपुट-लेवल डिफेंस को आंशिक मिटिगेशन (mitigation) के रूप में माना जाना चाहिए, न कि सर्टिफिकेशन तंत्र के रूप में। महत्वपूर्ण "एडाप्टिव-डिफेंस गैप" यह संकेत देता है कि डिफेंस का मूल्यांकन उन हमलावरों के विरुद्ध किया जाना चाहिए जो डिफेंस पाइपलाइन के माध्यम से अनुकूलित (optimize) कर सकते हैं।
आर्किटेक्चरल इम्प्लिकेशंस: निष्कर्षों का तात्पर्य है कि रिप्रेजेंटेशन लर्निंग ऑब्जेक्टिव्स (जैसे R2-Dreamer में रेडंडेंसी रिडक्शन बनाम Dreamer-Pro में प्रोटोटाइप लर्निंग) का चयन सीधे एनकोडर-RSSM-हेड कंपोजिशन के लोकल ज्योमेट्री को प्रभावित करता है, जिससे एडवर्सरियल रोबस्टनेस प्रभावित होती है।

संक्षेप में, ARB4WM वर्ल्ड-मॉडल एजेंटों के विशिष्ट विफलता मोड को निदान करने के लिए एक मानकीकृत, दोहराने योग्य वर्कफ़्लो प्रदान करता है, जो औद्योगिक और सुरक्षा-महत्वपूर्ण अनुप्रयोगों के लिए अधिक मजबूत विजुअल मॉडल-बेस्ड कंट्रोल सिस्टम विकसित करने के लिए एक आधार प्रदान करता है।