💻 computer science

GroundControl: Anticipating Navigation Failures in Vision-Language Agents via Trajectory-Consistent Uncertainty Estimates

यह शोधपत्र GroundControl को प्रस्तुत करता है, जो एक प्रक्षेपवक्र-सुसंगत (trajectory-consistent) अनिश्चितता अनुमानक है जो लक्ष्य-निर्देशित दूरी गतिकी (goal-directed distance dynamics) से विचलन को मॉडल करके विजन-लैंग्वेज एजेंटों में नेविगेशन विफलताओं का पूर्वानुमान लगाता है, और एक नए सिलेक्टिव रिस्क-कवरेज नेविगेशन (SRCN) प्रोटोकॉल के माध्यम से विफलता या अक्षमता के आधार पर प्रकरणों (episodes) को रैंक करने में मौजूदा बेसलाइन की तुलना में बेहतर प्रदर्शन प्रदर्शित करता है।

मूल लेखक: Nastaran Darabi, Divake Kumar, Sina Tayebati, Devashri Naik, Amit Ranjan Trivedi

प्रकाशित 2026-06-19

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Nastaran Darabi, Divake Kumar, Sina Tayebati, Devashri Naik, Amit Ranjan Trivedi

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

द बिग पिक्चर: "कन्फ्यूज्ड टूरिस्ट" (भटका हुआ पर्यटक) की समस्या

कल्पना कीजिए कि आप एक रोबोट (एक "विज़न-लैंग्वेज एजेंट") को खजाने की खोज (scavenger hunt) पर भेज रहे हैं। आप उसे एक नक्शा और एक वॉयस इंस्ट्रक्शन देते हैं: "लिविंग रूम में लाल कुर्सी के पास जाओ।"

रोबोट स्मार्ट है। वह कमरे को देख सकता है और आपकी बातों को समझ सकता है। हालाँकि, कभी-कभी वह भ्रमित हो जाता है। वह गोल-गोल घूम सकता है, किसी नकली कुर्सी को घूरते हुए अटक सकता है, या गलत दिशा में भटक सकता है।

समस्या यह है कि वर्तमान रोबोट अपनी गलती मानने में बुरे होते हैं। वे अपने द्वारा उठाए गए हर एक कदम के बारे में बहुत आश्वस्त महसूस कर सकते हैं, भले ही वे कदम उन्हें गोल-गोल घुमा रहे हों। उन्हें तब तक पता नहीं चलता कि वे असफल हो रहे हैं जब तक कि उनकी बैटरी या समय खत्म नहीं हो जाता।

GroundControl एक नया "सेफ्टी मॉनिटर" है जिसे इन विफलताओं को होते समय पकड़ने के लिए डिज़ाइन किया गया है, न कि रोबोट के क्रैश होने के बाद।

GroundControl कैसे काम करता है: "स्पीडोमीटर" का उदाहरण

यह पूछने के बजाय कि, "क्या आप इस विशिष्ट कदम को लेकर भ्रमित हैं?" (जैसा कि पुराने तरीके करते हैं), GroundControl पूछता है, "क्या आपकी पूरी यात्रा समझ में आ रही है?"

रोबोट की यात्रा को एक मंजिल तक जाने वाली कार यात्रा की तरह समझें।

लक्ष्य: लाल कुर्सी।
सिग्नल: कुर्सी तक की दूरी।

एक आदर्श यात्रा में, लक्ष्य तक की दूरी सुचारू रूप से और लगातार कम होनी चाहिए, जैसे कोई कार एक सीधे हाईवे पर चल रही हो।

GroundControl एक कलमन फ़िल्टर (Kalman Filter) (एक फैंसी गणित उपकरण) का उपयोग करता है जो एक प्रेडिक्टिव स्पीडोमीटर की तरह काम करता है। यह भविष्यवाणी करता है: "यदि आप लक्ष्य की ओर जा रहे हैं, तो आपकी दूरी हर सेकंड X मात्रा में कम होनी चाहिए।"

अगर रोबत कुछ अजीब करने लगता है, तो स्पीडोमीटर चिल्ला उठता है:

ऑसिलेशन (Oscillation): रोबोट आगे-पीछे (back and forth) जा रहा है (दूरी ऊपर जाती है, फिर नीचे आती है, फिर ऊपर जाती है)।
स्टैग्नेशन (Stagnation): रोबोट ट्रैफिक में फंसा हुआ है (दूरी बदल नहीं रही है)।
डेटोर्स (Detours): रोबोट एक बड़े घेरे में घूम रहा है (दूरी पर्याप्त तेज़ी से कम नहीं हो रही है)।

GroundControl एक "कन्फ्यूजन स्कोर" (Confusion Score) की गणना करता है कि रोबोट का वास्तविक पथ इस सुचारू, अनुमानित रेखा से कितना विचलित होता है। यदि स्कोर अधिक हो जाता है, तो इसका मतलब है कि रोबोट का व्यवहार ज्यामितीय रूप से असंगत (geometrically inconsistent) है—संभावना है कि वह असफल हो रहा है, भले ही उसे लग रहा हो कि वह बहुत अच्छा काम कर रहा है।

स्कोर के घटक (Ingredients)

GroundControl केवल स्पीडोमीटर को नहीं देखता; यह पूरी ड्राइविंग रिपोर्ट को देखता है:

गणित (Kalman Filter): क्या दूरी उम्मीद के अनुसार बदली?
प्रगति (Progress): क्या हम वास्तव में लक्ष्य के करीब पहुंचे?
मोनोटनी (Monotony): क्या दूरी लगातार कम होती गई, या यह ऊपर-नीचे होती रही?
दक्षता (Efficiency): क्या हमने सीधा रास्ता लिया, या हम इधर-उधर भटकते रहे?
वबुल (Wobble): क्या रोबोट बार-बार बाएं और दाएं मुड़ता रहा?

यह इन सभी को एक संख्या में जोड़ देता है। कम संख्या का अर्थ है "स्मूथ सेलिंग" (सुचारू यात्रा)। उच्च संख्या का अर्थ है "हम नियंत्रण से बाहर हो रहे हैं।"

उन्होंने इसका परीक्षण कैसे किया: "सिलेक्टिव रिस्क" गेम

यह साबित करने के लिए कि उनका सिस्टम काम करता है, शोधकर्ताओं ने एक नया तरीका विकसित किया जिसे SRCN (Selective Risk-Coverage Navigation) कहा जाता है।

कल्पना कीजिए कि एक शिक्षक 100 छात्रों (रोबोट एपिसोड्स) की एक क्लास को ग्रेड दे रहा है।

पुराना तरीका: शिक्षक अंत तक प्रतीक्षा करता है कि कौन पास हुआ और कौन फेल।
GroundControl का तरीका: शिक्षक टेस्ट के दौरान "कन्फ्यूजन स्कोर" को देखता है।
- यदि किसी छात्र का स्कोर बहुत अधिक हो जाता है, तो शिक्षक कहता है, "रुको! तुम फेल होने वाले हो।"
- फिर शिक्षक जाँच करता है: "क्या मैंने सही छात्रों को रोका?"

यदि शिक्षक फेल होने वाले छात्रों को जल्दी रोक देता है और पास होने वाले छात्रों को जारी रहने देता है, तो यह एक परफेक्ट स्कोर है। पेपर दिखाता है कि GroundControl इसमें अविश्वसनीय रूप से अच्छा है। यह विफलता की भविष्यवाणी लगभग उतनी ही अच्छी तरह कर सकता है जितनी कि एक "जादुई क्रिस्टल बॉल" (जिसे वे "ओरेकल" कहते हैं) कर सकती है।

परिणाम: यह क्यों मायने रखता है

शोधकर्ताओं ने तीन अलग-अलग "दिमागों" (AI मॉडल: GPT-4o, GPT-5-mini, और Gemini-1.5-Flash) पर 300 विभिन्न नेविगेशन कार्यों में इसका परीक्षण किया।

विजेता: GroundControl ने लगातार फेल होने वाले रोबोट्स को सबसे पहले खोजा। यह अन्य तरीकों की तुलना में बहुत बेहतर था जो केवल यह देखते थे कि रोबोट अपने अगले कदम को लेकर कितना "अनिश्चित" महसूस कर रहा है।
हारने वाले: पुराने तरीके (जैसे यह देखना कि रोबोट अपने अगले कदम को लेकर अनिश्चित है या नहीं) अक्सर विफलताओं को मिस कर देते थे। रोबोट अपने अगले कदम को लेकर बहुत आश्वस्त हो सकता था कि वह बाएं मुड़ रहा है, भले ही वह बाएं मुड़ना गलत कदम हो जो क्रैश की ओर ले जाए।
लॉन्ग हॉल (Long Haul): GroundControl लंबे, कठिन कार्यों में विफलताओं को पकड़ने में विशेष रूप से अच्छा था जहाँ गलतियाँ समय के साथ जमा होती रहती हैं।

सारांश

GroundControl नेविगेशन रोबोट के लिए एक को-पायलट की तरह है। यह पूछने के बजाय कि, "क्या आप इस मोड़ के बारे में सुनिश्चित हैं?" यह पूछता है, "क्या आपका पूरा रास्ता लक्ष्य की ओर एक सीधी रेखा जैसा दिखता है?"

यदि रास्ता डगमगाता हुआ, फंसा हुआ या गोलाकार दिखता है, तो GroundControl अलार्म बजा देता है। यह सिस्टम को यह जानने की अनुमति देता है कि वह विफल हो रहा है, इससे पहले कि उसका समय समाप्त हो जाए, जिससे रोबोट अधिक सुरक्षित और विश्वसनीय बनते हैं।

मुख्य बात: सफलता केवल अगले कदम के लिए सही निर्णय लेने के बारे में नहीं है; यह इस बारे में भी है कि क्या पूरी यात्रा सही दिशा में बढ़ रही है। GroundControl पूरी यात्रा को देखता है।

तकनीकी सारांश: GroundControl – विजन-लैंग्वेज एजेंटों में नेविगेशन विफलताओं का पूर्वानुमान लगाना

1. समस्या विवरण (Problem Statement)

विजन-लैंग्वेज नेविगेशन (VLN) एजेंटों ने भाषा की समझ और विजुअल ग्राउंडिंग को जोड़कर बेंचमार्क पर प्रतिस्पर्धी प्रदर्शन हासिल किया है। हालांकि, बेंचमार्क सफलता मेट्रिक्स (जैसे, Success Rate, Success weighted by Path Length या SPL) केवल एपिसोड समाप्त होने के बाद ही मूल्यांकित किए जाते हैं। वे विफलता की गतिशीलता (failure dynamics) को घटित होते समय पहचानने के लिए कोई तंत्र प्रदान करने में विफल रहते हैं।

व्यवहार में, नेविगेशन की विफलताएं अक्सर विशिष्ट प्रक्षेपवक्र-स्तरीय (trajectory-level) टूटने के माध्यम से धीरे-धीरे उभरती हैं, जैसे कि:

दोलन (Oscillation): परस्पर विरोधी कार्यों के बीच बार-बार आगे-पीछे होना।
स्थिरता (Stagnation): बिना किसी ज्यामितीय प्रगति के विकर्षणों (distractors) के पास रुक जाना।
अकुशल मोड़ (Inefficient Detours): लक्ष्य तक दूरी कम किए बिना पथ की लंबाई बढ़ाना।

मौजूदा अनिश्चितता प्रॉक्सी (जैसे, एक्शन डिस्ट्रीब्यूशन पर प्रेडिक्टिव एंट्रॉपी, टोकन-लेवल कॉन्फिडेंस) तात्कालिक (instantaneous) निर्णयों में अस्पष्टता को पकड़ते हैं, लेकिन यह प्रतिबिंबित नहीं करते कि परिणामी प्रक्षेपवक्र (trajectory) लक्ष्य की ओर ज्यामितीय प्रगति के साथ सुसंगत है या नहीं। एक एजेंट उच्च स्टेप-वाइज कॉन्फिडेंस बनाए रखते हुए भी ऐसे कार्यों का क्रम निष्पादित कर सकता है जो विफलता की ओर ले जाता है। यह शोध पत्र का तर्क है कि एम्बॉडीड नेविगेशन में अनिश्चितता को लक्ष्य-निर्देशित गतिकी (goal-directed dynamics) की प्रक्षेपवक्र-स्तरीय निरंतरता को प्रतिबिंबित करना चाहिए।

2. कार्यप्रणाली (Methodology)

A. GroundControl: प्रक्षेपवक्र-सुसंगत अनिश्चितता अनुमानक (Uncertainty Estimator)

GroundControl एक व्याख्या योग्य (interpretable) अनुमानक है जो लक्ष्य-से-दूरी के संकेत ( $d_t$ ) के विकास को एक स्टोकेस्टिक डायनेमिकल प्रोसेस के रूप में मॉडल करता है। यह मानता है कि सफल नेविगेशन स्थानीय रूप से सुसंगत ज्यामितीय प्रगति प्रदर्शित करता है, जबकि विफलता के मोड सांख्यिकीय रूप से पता लगाने योग्य विसंगतियों को उत्पन्न करते हैं।

1. कांस्टेंट-वेलोसिटी कलमन फिल्टर (Kalman Filter - KF):
GroundControl का मुख्य भाग लक्ष्य-से-दूरी को एक डायनेमिकल सिग्नल के रूप में उपयोग करके एक स्टेट वेक्टर $x_t = [d_t, \dot{d}_t]^\top$ का उपयोग करता है, जहाँ $\dot{d}_t$ तात्कालिक परिवर्तन की दर है।

डायनेमिक्स: $x_{t+1} = Fx_t + w_t$ (कांस्टेंट वेलोसिटी धारणा के साथ लीनियर-गौसियन डायनेमिक्स)।
ऑब्जर्वेशन: $d_t = Hx_t + v_t$ ।
इनोवेशन (Innovation): फ़िल्टर इनोवेशन $\nu_t = d_t - H\hat{x}_{t|t-1}$ की गणना करता है, जो प्रेक्षित दूरी और अनुमानित दूरी के बीच के अंतर को दर्शाता है।
सांख्यिकीय परीक्षण: सामान्य परिस्थितियों में नॉर्मलाइज्ड इनोवेशन स्क्वेर्ड ( $\nu_t^2 / S_t$ ) एक $\chi^2$ वितरण का पालन करता है। लगातार बड़े मान अपेक्षित लक्ष्य-निर्देशित गति से महत्वपूर्ण विचलन का संकेत देते हैं।

2. प्रति-स्टेप अनिश्चितता स्कोर ( $H_t$ ):
GroundControl प्रक्षेपवक्र असंगतता के तीन पूरक संकेतकों को एक प्रति-स्टेप स्कोर में एकत्रित करता है:
$H_t \triangleq \lambda_1 \log \det(\Sigma_{t|t} + \epsilon I) + \lambda_2 H(\alpha_t) + \lambda_3 \frac{\nu_t^2}{S_t}$

पोस्टीरियर बिलीफ डिस्पर्शन: $\log \det(\Sigma_{t|t})$ फ़िल्टर के स्टेट एस्टीमेट में अनिश्चितता को मापता है।
एक्शन-लेवल इंस्टेबिलिटी: $H(\alpha_t)$ निष्पादित किए गए एक्शन में पॉलिसी के कॉन्फिडेंस की बर्नौली एंट्रॉपी है।
सांख्यिकीय विचलन: नॉर्मलाइज्ड इनोवेशन स्क्वेर्ड टर्म।

3. एपिसोड-लेवल अनिश्चितता स्कोर ( $U_i$ ):
एक एपिसोड के लिए एकल स्कोर प्राप्त करने के लिए, GroundControl पीक डायनेमिकल इनकंसिस्टेंसी को चार वैश्विक प्रक्षेपवक्र विशेषताओं के साथ फ्यूज करता है:

पीक डायनेमिकल इनकंसिस्टेंसी: $\tilde{s}_{skf}^i = \sigma(\max_t H_t)$ , जो संक्षिप्त लेकिन महत्वपूर्ण विचलन को कैप्चर करता है।
नॉर्मलाइज्ड प्रोग्रेस ( $f_{prog}$ ): लक्ष्य-से-दूरी में अपर्याप्त शुद्ध कमी को मापता है।
मोनोटोनिसिटी ( $f_{mono}$ ): दूरी में बार-बार वृद्धि को दंडित करता है (गैर-मोनोटोनिक विकास)।
पथ दक्षता ( $f_{eff}$ ): संचयी गति के सापेक्ष अकुशल मोड़ों का पता लगाता है।
दोलन व्यवहार ( $f_{osc}$ ): बार-बार होने वाले एक्शन रिवर्सल को कैप्चर करता है।

अंतिम स्कोर एक फिक्स्ड लीनियर फ्यूजन है:
$U_i \triangleq w_{skf}\tilde{s}_{skf}^i + w_{prog}f_{prog}^i + w_{mono}f_{mono}^i + w_{eff}f_{eff}^i + w_{osc}f_{osc}^i$
कम $U_i$ मान उच्च कॉन्फिडेंस (सुसंगत प्रक्षेपवक्र) को दर्शाते हैं।

B. मूल्यांकन प्रोटोकॉल: सिलेक्टिव रिस्क-कवरेज नेविगेशन (SRCN)

अनिश्चितता की गुणवत्ता को कच्चे कार्य सफलता से स्वतंत्र रूप से मूल्यांकित करने के लिए, लेखक सिलेक्टिव रिस्क-कवरेज नेविगेशन (SRCN) को औपचारिक रूप देते हैं। यह प्रोटोकॉल मापता है कि अनिश्चितता स्कोर कितनी प्रभावी ढंग से एपिसोड को विफलता या अक्षमता के आधार पर रैंक करता है।

तंत्र: एपिसोड को बढ़ते अनिश्चितता ( $U_i$ ) के आधार पर सॉर्ट किया जाता है। जैसे-जैसे थ्रेशोल्ड $\tau$ बढ़ता है, उच्च-अनिश्चितता वाले एपिसोड को धीरे-धीरे बाहर (abstain) कर दिया जाता है, और शेष उपसमुच्चय (subset) पर प्रदर्शन का मूल्यांकन किया जाता है।
मेट्रिक्स:
- सिलेक्टिव रिस्क: रिटेन किए गए एपिसोड के बीच एम्पिरिकल विफलता दर (या अक्षमता दर)।
- रिस्क-कवरेज कर्व: रिटेन किए गए एपिसोड के अंश के विरुद्ध रिस्क को प्लॉट करता है।
- AURC (Area Under the Risk-Coverage Curve): यह ट्रेड-ऑफ को सारांशित करता है; कम मान बेहतर है।
- E-AURC (Excess AURC): इसे ऑरेकल लोअर बाउंड (ट्रू लॉस द्वारा सॉर्टिंग) के विरुद्ध नॉर्मलाइज किया गया है। $E\text{-}AURC = 0$ का अर्थ है पूर्ण रैंकिंग।
लॉस डेफिनिशन:
- सफलता-आधारित: $\ell_i = 1 - \text{Success}_i$ ।
- SPL-आधारित: $\ell_i = 1 - \text{SPL}_i$ (अकुशल सफल प्रक्षेपवक्रों को दंडित करता है)।

3. प्रमुख योगदान

प्रक्षेपवक्र निरंतरता का औपचारिककरण: यह पेपर विजन-लैंग्वेज नेविगेशन में अनिश्चितता अनुमान के लिए एक आधार के रूप में लक्ष्य-से-दूरी की डायनेमिक्स की प्रक्षेपवक्र-स्तरीय निरंतरता को स्थापित करता है, जो तात्कालिक एक्शन एंट्रॉपी से आगे जाता है।
GroundControl फ्रेमवर्क: एक हल्का, व्याख्या योग्य अनुमानक पेश करना जो कलमन फिल्टर और प्रक्षेपवक्र डिस्क्रिप्टर्स का उपयोग करके सामान्य लक्ष्य-निर्देशित गति से सांख्यिकीय रूप से महत्वपूर्ण विचलन का पता लगाता है।
SRCN प्रोटोकॉल: एक नया मूल्यांकन ढांचा जो अनिश्चितता के आकलन को मूल नेविगेशन पॉलिसी को बदले बिना अलग करता है, जिससे विषम अनिश्चितता अनुमानकों के बीच निष्पक्ष तुलना संभव होती है।
अनुभवजन्य सत्यापन (Empirical Validation): यह प्रदर्शित करना कि लक्ष्य-निर्देशित गति के विचलन को मॉडल करना एंट्रॉपी, कॉन्फॉर्मल और ह्यूरिस्टिक बेसलाइन्स की तुलना में विफलता का पूर्वानुमान लगाने के लिए एक मजबूत सिग्नल प्रदान करता है।

4. प्रयोगात्मक परिणाम

विधि का मूल्यांकन तीन LLM बैकबोन (GPT-4o, GPT-5-mini, Gemini-1.5-Flash) के साथ तीन EB-नेविगेशन स्प्लिट्स (Base, Common Sense, Complex Instructions, Visual Appearance, Long Horizon) पर $N=300$ कुल एपिसोड के साथ किया गया।

सफलता-आधारित रैंकिंग (SRC-N):
- GroundControl ने सफलता-आधारित सिलेक्टिव रिस्क के तहत लगभग ऑरेकल ऑर्डरिंग प्राप्त की।
- GPT-4o मॉडल के लिए भारित-औसत E-AURC $_{SR}$ = 0.0024 था, जो एंट्रॉपी, कॉन्फॉर्मल और ह्यूरिस्टिक बेसलाइन्स से काफी बेहतर था।
- यह लाभ Long Horizon कार्यों में सबसे अधिक स्पष्ट था (जहाँ सफलता दर गिरकर ~16.7% हो गई), जहाँ एंट्रॉपी और कॉन्फॉर्मल सिग्नल रैंडम ऑर्डरिंग के करीब थे, जबकि GroundControl ऑरेकल के करीब रहा। यह सुझाव देता है कि गहरे टेम्पोरल हॉरिजन में विफलता का पता लगाने के लिए ज्यामितीय प्रगति की गतिशीलता एक प्रमुख सिग्नल है।
SPL-आधारित रैंकिंग:
- नेविगेशन दक्षता (अक्षमता) के मूल्यांकन के दौरान GroundControl ने सभी मॉडलों और स्प्लिट्स में लगातार सबसे कम AURC और E-AURC प्राप्त किया।
- इसने टर्मिनल विफलता से पहले ही अक्षम पथों (जैसे, भटकना, दोलन) की ओर ले जाने वाले प्रक्षेपवक्रों की सफलतापूर्वक पहचान की।
डायग्नोस्टिक विश्लेषण:
- डिस्ट्रीब्यूशनल सेपरेशन: GroundControl ने विफल प्रक्षेपवक्रों के लिए अनिश्चितता स्कोर में एक स्पष्ट ऊपर की ओर बदलाव दिखाया, जिसमें सफल प्रक्षेपवक्रों के साथ बहुत कम ओवरलैप था, जबकि बेसलाइन्स में पर्याप्त ओवरलैप दिखा।
- रिस्क-कवरेज कर्व्स: विधि ने ऑरेकल बाउंड्री को बारीकी से ट्रैक किया, उच्च कवरेज स्तरों पर भी कम विफलता दर बनाए रखी।
- सहसंबंध (Correlation): अनिश्चितता स्कोर और एपिसोड दक्षता (SPL) के बीच एक मजबूत नकारात्मक सहसंबंध देखा गया, जो दर्शाता है कि अनुमानक घटती निष्पादन गुणवत्ता को पकड़ता है।

5. महत्व और दावे

यह शोध पत्र दावा करता है कि प्रक्षेपवक्र-सुसंगत अनिश्चितता (trajectory-consistent uncertainty) तात्कालिक निर्णय अस्पष्टता की तुलना में नेविगेशन विफलताओं का पूर्वानुमान लगाने के लिए एक बेहतर सिग्नल है। लक्ष्य-निर्देशित गति (एक कांस्टेंट-वेलिटी कलमन फिल्टर का उपयोग करके) से विचलन को मॉडल करके, GroundControl एक व्याख्या योग्य और मजबूत सिग्नल प्रदान करता है जो:

विफलता के तरीकों (दोलन, स्थिरता, विचलन) का घटित होते समय पता लगाता है।
रनटाइम इंट्रोस्पेक्शन (runtime introspection) को सक्षम बनाता है, जिससे संभावित रूप से विनाशकारी विफलता से पहले सक्रिय रिकवरी या रुकने की अनुमति मिलती है।
विभिन्न VLM बैकबोन और नेविगेशन स्प्लिट्स (विशेष रूप से चुनौतीपूर्ण लॉन्ग-होरिज़न परिदृश्यों में जहाँ त्रुटियां बढ़ती जाती हैं) में सामान्य होता है।

लेखक इस दृष्टिकोण पर जोर देते हैं कि यह अनिश्चितता रैंकिंग की गुणवत्ता को मूल पॉलिसी से अलग करता है, यह सिद्ध करता है कि ज्यामितीय अवलोकन (दूरी-से-लक्ष्य का विकास) विश्वसनीय रूप से तैनात किए जाने वाले एम्बॉडीड एजेंटों के लिए एक मॉडल-अज्ञेय (model-agnostic) आधार प्रदान करते हैं।