NAC: Neural Action Codec for Vision-Language-Action Models
यह शोध पत्र न्यूरल एक्शन कोडक (NAC) को प्रस्तुत करता है, जो एक न्यूरल ऑडियो कोडक से प्रेरित आर्किटेक्चर है जो रोबोटिक एक्शन ट्राजेक्टरीज को मल्टी-चैनल 1D सिग्नल्स के रूप में मानता है ताकि मौजूदा टोकेनाइजेशन विधियों की तुलना में विजन-लैंग्वेज-एक्शन मॉडल्स में उच्च-सटीकता वाली संपीड़न और बेहतर डाउनस्ट्रीम प्रदर्शन प्राप्त किया जा सके।
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 हाथ को एक नाजुक कार्य करना सिखाने की कोशिश कर रहे हैं, जैसे कि ब्लॉकों को एक के ऊपर एक रखना या कोई पेय डालना। रोबोट को सुचारू रूप से और सटीकता से हिलने की आवश्यकता है, लेकिन इसे नियंत्रित करने वाला "विज़न-लैंग्वेज-एक्शन" मॉडल (एक कंप्यूटर मस्तिष्क) शब्दों और चित्रों में सोचने के लिए बना है, न कि भौतिक गति के सुचारू, निरंतर प्रवाह के लिए।
उन्हें आपस में बात करने के लिए, हमें रोबोट की सुचारू गतिविधियों को एक ऐसी भाषा में अनुवादित करना होगा जिसे कंप्यूटर समझ सके: चरणों या "टोकन" की एक सूची। इसे एक सुचारू, बहते हुए गीत को संगीत के नोट्स की एक श्रृंखला में बदलने जैसा समझें।
समस्या: पुराना तरीका अटपटा था
पहले, वैज्ञानिक इस अनुवाद को करने के लिए दो मुख्य तरीकों का उपयोग करते थे:
- "बिनिंग" (Binning) विधि: कल्पना कीजिए कि आप बहुत कम निशानों वाले रूलर का उपयोग करके एक चिकनी वक्र (curve) का वर्णन करने की कोशिश कर रहे हैं। आपको गति को छोटे, ऊबड़-खाबड़ चरणों में बांटना होगा। इससे निर्देशों की एक विशाल सूची बन जाती है जो प्रोसेस करने में धीमी होती है और अक्सर सटीक नहीं होती।
- "फ्रीक्वेंसी" (Frequency) विधि: कुछ लोगों ने गति को एक ज़िप फ़ाइल की तरह कंप्रेस करने की कोशिश की, लेकिन उन्होंने उन उपकरणों का उपयोग किया जो मानव भाषण के लिए डिज़ाइन किए गए थे। हालांकि इससे मदद मिली, लेकिन यह पूर्ण नहीं था क्योंकि रोबोट की गतिविधियाँ और मानव आवाजएं मौलिक रूप से भिन्न होती हैं।
समाधान: संगीत से उधार लेना (NAC)
इस शोध पत्र के लेखक, अहद जवाइद और यू सियांग के पास एक चतुर विचार था: क्यों न हम उस तकनीक का उपयोग करें जो संगीत को कंप्रेस करती है?
ऑडियो के लिए आधुनिक एआई मॉडल (जैसे कि वे जो संगीत उत्पन्न करते हैं या स्पोटिफ़ाई फ़ाइलों को कंप्रेस करते हैं) जटिल ध्वनि तरंग को एक संक्षिप्त कोड की सूची में बदलने और फिर बाद में ध्वनि को पूरी तरह से पुनर्गठित करने में अविश्वसनीय रूप से कुशल हैं। वे इसे "न्यूरल ऑडियो कोडेक" कहते हैं।
टीम ने महसूस किया कि रोबोट की गति वास्तव में एक छद्म रूप में ध्वनि तरंग (sound wave in disguise) है।
- ऑडियो: समय के साथ हवा के दबाव में परिवर्तन की एक लहर (उच्च आवृत्ति/high frequency)।
- रोबोट एक्शन: समय के साथ जोड़ों के कोणों (joint angles) में परिवर्तन की एक लहर (कम आवृत्ति/low frequency)।
उन्होंने एक नया सिस्टम बनाया जिसे NAC (न्यूरल एक्शन कोडेक) कहा जाता है। उन्होंने "संगीत संपीड़न" इंजन को लिया और उसे रोबोट की गतिविधियों को "कंप्रेस" करने के लिए पुन: तैयार किया।
ट्विस्ट: रोबोट को सुनें नहीं
यहाँ सबसे महत्वपूर्ण खोज है जो यह शोध पत्र करता है: आप रोबोट को सुनकर चलना नहीं सिखा सकते।
ऑडियो कोडेक को मानव कानों के लिए अच्छा सुनाई देने के लिए प्रशिक्षित किया जाता है। वे "मेल-स्पेक्ट्रोग्राम" नामक एक विशेष फिल्टर का उपयोग करते हैं जो मानव कान द्वारा पिच (pitch) सुनने की नकल करता है। लेखकों ने पाया कि यदि उन्होंने रोबोट के लिए इस मानव-श्रवण फिल्टर का उपयोग किया, तो रोबोट पूरी तरह से विफल हो जाएगा। यह एक गिटार को कुत्ते के भौंकने को सुनकर ट्यून करने करने जैसा है; उपकरण मेल नहीं खाते।
इसके बजाय, उन्होंने "मानव कान" के फिल्टरों को हटा दिया और उन्हें केवल सटीकता की परवाह करने वाले सरल गणित से बदल दिया। उन्होंने एआई को बताया: "इस बात की चिंता न करें कि यह कैसा सुनाई देता है; बस यह सुनिश्चित करें कि रोबोट का हाथ बिल्कुल सही जगह पर पहुंचे।"
यह कैसे काम करता है (उपमा)
रोबोट की गति को एक लंबी, जटिल फिल्म के रूप में सोचें।
- एनकोडर (The Summarizer - सारांश बनाने वाला): NAC सिस्टम फिल्म को देखता है और उसे कुछ प्रमुख दृश्यों (कोर्स स्ट्रक्चर) में तोड़ देता है और फिर सूक्ष्म विवरणों (फाइन मूवमेंट्स) को भर देता है। यह पूरी फिल्म को कोड की एक छोटी, कुशल सूची में बदल देता है।
- डिकोडर (The Projector - प्रोजेक्टर): जब रोबोट को हिलने की आवश्यकता होती है, तो वह कोड की उस छोटी सूची को लेता है और गति की एक सुचारू, हाई-डेफिनिशन फिल्म में बदलने के लिए एक विशेष प्रोजेक्टर (जिसे ISTD head कहा जाता है) का उपयोग करता है।
- "डिस्क्रिमिनेटर" (The Critic - आलोचक): यह सुनिश्चित करने के लिए कि गति सुचारू है और झटकेदार नहीं है, सिस्टम एक "क्रिटिक" एआई का उपयोग करता है जो मूल गति के विरुद्ध गति की जांच करता है। यदि गति बहुत अधिक टूटी-फूटी दिखती है, तो क्रिटिक "नहीं!" चिल्लाता है और सिस्टम को तब तक फिर से प्रयास करने के लिए मजबूर करता है जब तक कि वह सुचारू न हो जाए।
परिणाम
टीम ने कंप्यूटर सिमुलेशन और वास्तविक दुनिया में इस नए तरीके का पुराने तरीकों के मुकाबले परीक्षण किया।
- सिमुलेशन में: NAC का उपयोग करने वाला रोबोट पुराने तरीकों का उपयोग करने वाले रोबोटों की तुलना में कार्यों (जैसे ब्लॉक स्टैकिंग) को पूरा करने में काफी बेहतर था। यह अधिक सटीक था और इसने कम गलतियां कीं।
- वास्तविक दुनिया में: जब उन्होंने वास्तविक भौतिक रोबोटों पर इसे आजमाया, तो NAC अभी भी जीत गया, जिसने अन्य तरीकों की तुलना में बहुत कम दर के मुकाबले 50% सफलता दर हासिल की।
मुख्य निष्कर्ष
शोध पत्र का दावा है कि रोबोट की गतिविधियों को ऑडियो तरंगों की तरह मानकर और संगीत उद्योग के सर्वोत्तम उपकरणों का उपयोग करके (लेकिन "मानव कान" के फिल्टरों को हटाकर), हम रोबोट को बहुत कुशलता से चलना सिखा सकते हैं। यह एक अव्यवस्थित, निरंतर भौतिक समस्या को निर्देशों की एक व्यवस्थित सूची में बदल देता है जिसे आधुनिक एआई आसानी से सीख और अनुमान लगा सकता है।
संक्षेप में: उन्होंने रोबोट को अपनी गतिविधियों को "गाने" के माध्यम से चलना सिखाया, लेकिन उन्होंने यह सुनिश्चित किया कि रोबोट अपनी खुद की भाषा में गाए, न कि मानव की भाषा 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।