💻 computer science

FlowDec: Temporal Conditional Flow Decorruptor for Robust Continuous Vision-Language Navigation

यह शोध पत्र FlowDec को प्रस्तुत करता है, जो एक नवीन टेम्पोरल कंडीशनल फ्लो डिकोरप्टर है जो संवर्धित (corrupted) विजुअल इनपुट्स को मजबूती से पुनर्स्थापित करने के लिए हाइब्रिड टेम्पोरल कंडीशनिंग और एक्शन-सेंट्रॉइड गाइडेड फ़िल्टरिंग का लाभ उठाता है, जिससे निरंतर विजन-लैंग्वेज नेविगेशन कार्यों में बड़े मॉडल-आधारित एजेंटों की नेविगेशन सटीकता और दक्षता में महत्वपूर्ण सुधार होता है।

मूल लेखक: Yufei Zhang, Changhao Chen

प्रकाशित 2026-06-23

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yufei Zhang, Changhao Chen

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 केवल वॉयस कमांड के माध्यम से घर में चलने के लिए सिखाने की कोशिश कर रहे हैं, जैसे, "किचन में जाओ, बाएं मुड़ो, और फ्रिज के पास रुक जाओ।" यह विज़न-एंड-लैंग्वेज नेविगेशन (VLN) की चुनौती है। रोबोट को आपकी बात सुननी होगी, दुनिया को देखना होगा, और यह तय करना होगा कि उसे कहाँ कदम रखना है।

हाल ही में, वैज्ञानिकों ने रोबोट को यह करने में मदद करने के लिए "लार्ज मॉडल्स" (सुपर-स्मार्ट AI दिमाग) का उपयोग करना शुरू कर दिया है। ये मॉडल निर्देशों को समझने में बहुत माहिर होते हैं। हालाँकि, उनकी एक बड़ी कमजोरी है: वे तब बहुत नाजुक हो जाते हैं जब दुनिया "अव्यवस्थित" (messy) दिखती है।

यदि रोबोट का कैमरा लेंस गंदा हो जाता है, यदि बाहर बारिश हो रही हो, यदि लाइट झपकी ले (flicker), या यदि रोबोट बहुत तेज़ी से चलता है जिससे इमेज धुंधली हो जाती है, तो AI भ्रमित हो जाता है। यह वैसा ही है जैसे कोई व्यक्ति कागज को हिला रहा हो और उस पर स्याही फैला रहा हो और आप उस दौरान एक नक्शा पढ़ने की कोशिश कर रहे हों। रोबोट को लग सकता है कि दीवार एक दरवाज़ा है, या वह मेज से सीधे टकरा सकता है।

यह पेपर इस समस्या को ठीक करने के लिए FlowDec नामक एक नया टूल पेश करता है। यह कैसे काम करता है, यहाँ सरल उपमाओं के माध्यम से समझाया गया है:

1. समस्या: "धुंधले चश्मे" वाली समस्या

वर्तमान रोबोट ऐसे व्यवहार करते हैं जैसे उन्होंने ऐसे चश्मे पहने हों जो तुरंत गंदे हो जाते हैं। जब दृश्य धुंधला हो जाता है (शोर, बारिश या मोशन के कारण), तो रोबोट का "दिमाग" (लार्ज मॉडल) घबरा जाता है और गलत निर्णय लेने लगता है। पिछले तरीकों ने इमेज को साफ करने की कोशिश की, लेकिन वे अक्सर हर फोटो को एक अलग, अलग-थलग तस्वीर के रूप में देखते थे, यह नज़रअंदाज़ करते हुए कि रोबोट एक निरंतर पथ (continuous path) के माध्यम से आगे बढ़ रहा है।

2. समाधान: FlowDec (एक "स्मार्ट टाइम-ट्रैवलिंग क्लीनर")

FlowDec एक विशेष मॉड्यूल है जो रोबोट के कैमरे और उसके दिमाग के बीच स्थित होता है। इसका काम दिमाग द्वारा निर्णय लेने की कोशिश करने से पहले अव्यवस्थित इमेजेस को साफ करना है। यह दो चतुर तरीकों से ऐसा करता है:

A. "मेमोरी लेन" रणनीति (टेम्पोरल कंडीशनिंग)

कल्पना कीजिए कि आप अपने एक दोस्त के दिखने के बारे में अनुमान लगाने की कोशिश कर रहे हैं, लेकिन आपके पास केवल उनकी एक धुंधली फोटो है।

पुराना तरीका: आप केवल उस एक धुंधली फोटो के आधार पर अनुमान लगाते हैं।
FlowDec का तरीका: आप धुंधली फोटो को देखते हैं और याद करते हैं कि एक सेकंड पहले ली गई फोटो में आपका दोस्त कैसा दिखता था। चूंकि लोग अचानक से अपना चेहरा नहीं बदलते, इसलिए FlowDec यह अनुमान लगाने में मदद करता है कि वर्तमान अव्यवस्थित इमेज को वास्तव में कैसा दिखना चाहिए।

यह समय का एक "प्रवाह" (flow) बनाता है, यह सुनिश्चित करता है कि आज के हॉलवे की साफ की गई इमेज, एक सेकंड पहले के हॉलवे की साफ की गई इमेज के साथ सुसंगत (consistent) हो। यह रोबोट को दीवारों को झपकते या कूदते हुए देखने से रोकता है।

B. "स्टेप-चेक" रणनीति (एक्शन-सेंट्रॉइड फ़िल्टरिंग)

यह सबसे अनूठा हिस्सा है। FlowDec केवल इमेज को साफ नहीं करता है; यह यह भी जांचता है कि क्या सफाई रोबोट की गति के लिए तर्कसंगत है।

उपमा: कल्पना कीजिए कि आप एक गलियारे में चल रहे हैं। यदि आप एक कदम आगे (forward) लेते हैं, तो दृश्य एक विशिष्ट, अनुमानित तरीके से बदलना चाहिए (दीवारें करीब आती हैं)। यदि आप बाएं (left) मुड़ते हैं, तो दृश्य दाईं ओर खिसकना चाहिए।
FlowDec इसका उपयोग कैसे करता है: सिस्टम जानता है कि हर चाल (आगे बढ़ना, बाएं मुड़ना, दाएं मुड़ना) के लिए "अपेक्षित परिवर्तन" क्या है। एक इमेज को साफ करने के बाद, यह पूछता है: "क्या यह साफ की गई इमेज उस दृश्य से मेल खाती है जो मुझे उस कदम के बाद देखने की उम्मीद थी?"
- यदि साफ की गई इमेज उस विशिष्ट कदम के लिए अजीब दिखती है (उदाहरण के लिए, दीवारें गलत दिशा में चली गईं), तो FlowDec कहता है, "नहीं, यह सफाई गलत है," और एक अलग दृष्टिकोण आज़माता है।
- यह एक गुणवत्ता नियंत्रण निरीक्षक (quality control inspector) की तरह कार्य करता है जो केवल तभी साफ की गई इमेज को स्वीकार करता है जब वह रोबोट की गति की कहानी में फिट बैठती है।

3. यह बाकी सबसे बेहतर क्यों है?

शोधकर्ताओं ने दो मुख्य मानदंडों का उपयोग करके अन्य तरीकों के मुकाबले FlowDec का परीक्षण किया: सटीकता (Accuracy) और गति (Speed)।

सटीकता: जब इमेजेस खराब (शोर, कोहरा, धुंधलापन) थीं, तब FlowDec ने रोबोट को अपने लक्ष्य तक पहुँचने में अन्य तरीकों की तुलना में बहुत अधिक बार मदद की। इसने एक परीक्षण में रोबोट की सफलता दर में लगभग 25% और दूसरे में 9% का सुधार किया।
गति: अन्य तरीके जो इमेजेस को साफ करने की कोशिश करते हैं, वे धीमे होते हैं, जैसे किसी चित्र को फिर से पेंट करने के लिए एक धीमे कलाकार का इंतज़ार करना। FlowDec एक हाई-स्पीड स्कैनर की तरह है। यह अगले सबसे अच्छे तरीके की तुलना में 3 से 8 गुना तेज़ है। यह महत्वपूर्ण है क्योंकि वास्तविक दुनिया में चलने वाले रोबोट के पास हर कदम के लिए सेकंडों तक इंतज़ार करने की गुंजाइश नहीं होती; उसे तुरंत प्रतिक्रिया देने की आवश्यकता होती है।

4. वास्तविक दुनिया का प्रमाण

शोधकर्ताओं ने इसे केवल कंप्यूटर पर टेस्ट नहीं किया। उन्होंने इस सिस्टम को एक वास्तविक, चार पैरों वाले रोबोट (एक Unitree GO2) पर लगाया और उसे वास्तविक कमरों और बाहरी क्षेत्रों में नेविगेट करने के लिए भेजा। यहाँ तक कि जब उन्होंने खराब कैमरा स्थितियों (जैसे डिजिटल शोर जोड़ना या मोशन ब्लर का अनुकरण करना) को सिम्युलेट किया, तब भी FlowDec वाला रोबोट बिना इसके वाले रोबोट की तुलना में रास्ता खोजने में बहुत बेहतर था।

सारांश

FlowDec नेविगेटर्स के लिए एक सुरक्षा जाल (safety net) है। यह स्मार्ट चश्मे की तरह कार्य करता है जो:

याद रखता है कि एक सेकंड पहले दुनिया कैसी दिखती थी ताकि अंतराल को भरा जा सके।
जांचता है कि क्या साफ किया गया दृश्य रोबोट की वर्तमान गति के लिए सही है।
इतना तेज़ काम करता है कि रोबोट को रुककर इंतज़ार न करना पड़े।

यह रोबोट को खराब कैमरा क्वालिटी से भ्रमित हुए बिना, अस्त-व्यस्त और अप्रत्याशित वास्तविक दुनिया के वातावरण में नेविगेट करने की अनुमति देता है।

तकनीकी सारांश: FlowDec – सुदृढ़ निरंतर विजन-लैंग्वेज नेविगेशन के लिए टेम्पोरल कंडीशनल फ्लो डिकोरप्टर

1. समस्या विवरण (Problem Statement)

कंटीन्यूअस एनवायरमेंट्स में विजन-एंड-लैंग्वेज नेविगेशन (VLN-CE) के लिए एजेंटों को अनदेखे 3D स्थानों में प्राकृतिक भाषा निर्देशों का पालन करने की आवश्यकता होती है। जबकि लार्ज मॉडल्स (LMs) और विजन-लैंग्वेज मॉडल्स (VLMs) ने रीजनिंग और इंस्ट्रक्शन ग्राउंडिंग को सक्षम करके इस क्षेत्र को उन्नत किया है, वे एक गंभीर कमजोरी प्रदर्शित करते हैं: वास्तविक दुनिया के विजुअल करप्शन (visual corruptions) के संपर्क में आने पर प्रदर्शन में भारी गिरावट।

मौजूदा LM-आधारित एजेंट स्पष्ट रूप से स्वच्छ और स्थिर विजुअल इनपुट की धारणा रखते हैं। व्यवहार में, रैपिड ईगो-मोशन (मोशन ब्लर), कम रोशनी की स्थिति, मौसम (बारिश, कोहरा, बर्फ), और सेंसर की खामियों जैसे कारक विविध विजुअल करप्शन पेश करते हैं। ये विकृतियाँ महत्वपूर्ण स्थानिक संकेतों (ऑब्जेक्ट बाउंड्रीज़, फ्लोर टेक्सचर, डेप्थ) को खराब कर देती हैं, जिससे विनाशकारी नेविगेशन विफलताएं होती हैं। वर्तमान मजबूती समाधान (robustness solutions) कई कारणों से VLN-CE के लिए अपर्याप्त हैं:

ब्लाइंड इमेज डिनोइजिंग (BID): यह डाउनस्ट्रीम नेविगेशन निरंतरता के बजाय केवल पर्सेप्चुअल क्वालिटी को प्राथमिकता देता है और अनदेखे वास्तविक दुनिया के करप्शन के साथ संघर्ष करता है।
टेस्ट-टाइम एडाप्टेशन (TTA): वे विधियाँ जो मॉडल पैरामीटर्स को अपडेट करती हैं, कैटास्ट्रोफिक फॉरगेटिंग (catastrophic forgetting) का जोखिम उठाती हैं, विशेष रूप से फ्रोजन लार्ज मॉडल्स में।
डिफ्यूजन-आधारित TTA: हालांकि इनपुट को रिफाइन करने में प्रभावी है, मौजूदा दृष्टिकोण अक्सर फ्रेम को स्वतंत्र रूप से प्रोसेस करते हैं, जिससे निरंतर एम्बोडीड नेविगेशन के लिए आवश्यक टेम्पोरल कोहेरेंस (temporal coherence) और एक्शन-लेवल कंसिस्टेंसी बनाए रखने में विफलता होती है। इसके अलावा, इटरेटिव डिफ्यूजन सैंपलिंग लेटेंसी (latency) उत्पन्न करती है जो रियल-टाइम रोबोटिक डिप्लॉयमेंट के अनुकूल नहीं है।

मुख्य चुनौती एक ऐसा डिकोरप्शन मेथड विकसित करना है जो बिना किसी पूर्व ज्ञान के अज्ञात और विविध करप्शन को संभाल सके, फ्रेमों के बीच टेम्पोरल कंसिस्टेंसी बनाए रखे, भौतिक रूप से सार्थक एक्शन प्रेडिक्शंस सुनिश्चित करे, और सख्त रियल-टाइम बाधाओं के तहत संचालित हो सके।

2. कार्यप्रणाली: FlowDec (Methodology: FlowDec)

लेखक FlowDec का प्रस्ताव करते हैं, जो एक टेम्पोरल कंडीशनल फ्लो डिकोरप्टर फ्रेमवर्क है। इमेज एनहांसमेंट के लिए डिज़ाइन किए गए पूर्ववर्ती रेस्टोरेशन मेथड्स के विपरीत, FlowDec को लेटेंट कंडीशनल फ्लो मैचिंग (CFM) का उपयोग करके नेविगेशन-अवेयर और रियल-टाइम डिकोरप्शन के लिए विशेष रूप से अनुकूलित किया गया है। यह फ्रेमवर्क तीन प्राथमिक घटकों से बना है:

2.1 लेटेंट कंडीशनल फ्लो मैचिंग (Latent Conditional Flow Matching)

FlowDec एक प्री-ट्रेन्ड वेरिएशनल ऑटोएनकोडर (VAE) के लेटेंट स्पेस में काम करता है। यह रेस्टोरेशन प्रक्रिया को एक ऑर्डिनरी डिफरेंशियल इक्वेशन (ODE) के रूप में मॉडल करता है जो एक रैंडम नॉइज़ लेटेंट ( $z_0$ ) को एक क्लीन ग्राउंड-ट्रुथ लेटेंट ( $z_{c\_gt,1}$ ) में विकसित करता है। वेलोसिटी फील्ड को एक न्यूरल नेटवर्क $v_\theta$ द्वारा पैरामीटराइज किया जाता है और प्रेडिक्टेड और ट्रू वेलोसिटी फील्ड्स के बीच लीस्ट-स्क्वेयर्स एरर को कम करने के लिए प्रशिक्षित किया जाता है।

2.2 हाइब्रिड टेम्पोरल कंडीशनिंग स्ट्रैटेजी (Hybrid Temporal Conditioning Strategy)

हिस्टोरिकल कॉन्टेक्स्ट के साथ जेनेरेटिव फ्लो पाथ को संरेखित करने के लिए, FlowDec प्रशिक्षण के दौरान एक डायनेमिक कंडीशनिंग स्ट्रैटेजी का उपयोग करता है। कंडीशनिंग वेरिएबल $c_i$ को तीन प्रकारों में से चुना जाता है:

$c_1$ (सिंगल-फ्रेम): केवल वर्तमान ऑगमेंटेड (करप्टेड) इमेज के लेटेंट का उपयोग करता है।
$c_2$ (टेम्पोरल विद ग्राउंड ट्रुथ): करप्शन फीचर्स को मॉडल करने के लिए पिछले ऑगमेंटेड और ग्राउंड-ट्रुथ लेटेंट्स के बीच के अंतर को शामिल करता है।
$c_3$ (टेम्पोरल विद डिनोइज्ड आउटपुट): पिछले ऑगमेंटेड और डिनोइज्ड लेटेंट्स के बीच के अंतर का उपयोग करता है। सिंथेटिक ट्रेनिंग डेटा और रियल-वर्ल्ड इंफरेंस के बीच डोमेन गैप को ब्रिज करने के लिए यह महत्वपूर्ण है, क्योंकि टेस्ट टाइम पर ग्राउंड ट्रुथ उपलब्ध नहीं होता है।

एक डायनेमिक ट्रेनिंग शेड्यूल का उपयोग किया जाता है जहाँ शुरुआती एपॉक्स में $c_2$ का प्रभुत्व रहता है ताकि मजबूत करप्शन मॉडलिंग स्थापित की जा सके, और धीरे-धीरे $c_3$ की ओर शिफ्ट होता है ताकि मॉडल के अपने डोमेन गैप के अनुकूल हुआ जा सके।

2.3 एक्शन-सेंट्रॉइड गाइडेड लेटेंट फिल्टरिंग (Action-Centroid Guided Latent Filtering)

इंफरेंस के दौरान, स्थिरता सुनिश्चित करने के लिए मॉडल मुख्य रूप से सिंगल-फ्रेम कंडीशन ( $c_1$ ) का उपयोग करके डिकोरप्टेड इमेज जेनरेट करता है। हालांकि, एरर को जमा होने से रोकने के लिए टेम्पोरल कंसिस्टेंसी का लाभ उठाने हेतु, एक एक्शन-सेंट्रॉइड मैकेनिज्म का उपयोग किया जाता है:

निर्माण (Construction): प्रशिक्षण के दौरान, सिस्टम प्रत्येक एटॉमिक एक्शन (जैसे, फॉरवर्ड, टर्न लेफ्ट) के लिए लगातार ग्राउंड-ट्रुथ फ्रेम्स के बीच डिफरेंशियल लेटेंट्स की गणना करता है। ये डिस्ट्रीब्यूशन "एक्शन सेंट्रॉइड्स" ( $\mathcal{N}(\mu, \sigma)$ ) बनाते हैं जो प्रति एक्शन अपेक्षित लेटेंट बदलावों का प्रतिनिधित्व करते हैं।
फिल्टरिंग लॉजिक: इंफरेंस के दौरान, सिस्टम वर्तमान फ्रेम के डिफरेंशियल फीचर्स और संबंधित एक्शन सेंट्रॉइड के बीच महालनोबिस डिस्टेंस ( $w$ $w$ ) की गणना करता है।
- यदि $w$ एक थ्रेशोल्ड ( $w_\theta$ ) से नीचे है, तो सिंगल-फ्रेम आउटपुट को स्वीकार किया जाता है।
- यदि $w$ थ्रेशोल्ड से ऊपर जाता है (जो संभावित विसंगति का संकेत देता है), तो सिस्टम टेम्पोरल कंडीशन ( $c_3$ ) का उपयोग करके दूसरा कैंडिडेट जेनरेट करने के लिए कॉल करता है।
- अंतिम आउटपुट, उनके संबंधित एक्शन सेंट्रॉइड से दूरी के आधार पर, सिंगल-फ्रेम और टेम्पोरल आउटपुट का एक वेटेड कॉम्बिनेशन होता है।

2.4 एफिशिएंसी ऑप्टिमाइजेशन (Efficiency Optimization)

रियल-टाइम लेटेंसी आवश्यकताओं को पूरा करने के लिए, FlowDec फ्लो मैचिंग प्रक्रिया के इंटीग्रेशन पाथ को संशोधित करता है। शुद्ध रैंडम नॉइज़ से शुरू करने के बजाय, प्रक्रिया रैंडम नॉइज़ और करप्टेड लेटेंट के बीच एक लीनियर इंटरपोलेशन से शुरू होती है ( $z'_0 = t_\theta z_0 + (1-t_\theta)z_{c\_cor,1}$ )। यह आवश्यक इंटीग्रेशन स्टेप्स की संख्या को कम करता है, जिससे इंफरेंस की गति काफी बढ़ जाती है।

3. प्रमुख योगदान (Key Contributions)

पेपर तीन प्राथमिक योगदान का दावा करता है:

प्रॉब्लम फॉर्मूलेशन: इसने VLN-CE के लिए करप्शन रोबस्टनेस को एक मौलिक बाधा के रूप में पहचाना और नेविगेशन-अवेयर डिकोरप्शन को एक रियल-टाइम कंडीशनल फ्लो-मैचिंग समस्या के रूप में फॉर्म्युलेट किया।
नवेल फ्रेमवर्क: यह FlowDec पेश करता है, जिसमें हाइब्रिड टेम्पोरल कंडीशनिंग और एक्शन-सेंट्रिक गाइडेंस शामिल है। यह डिज़ाइन अंडरलाइंग नेविगेशन बैकबोन को संशोधित किए बिना (मॉडल-अग्नोस्टिक) टेम्पोरली कंसिस्टेंट और फिजिकली मीनिंगफुल रेस्टोरेशन सक्षम करता है।
एम्पिरिकल वैलिडेशन: व्यापक प्रयोगों से पता चलता है कि FlowDec स्टेट-ऑफ-द-आर्ट मेथड्स की तुलना में बेहतर रेस्टोरेशन स्पीड और नेविगेशन सफलता प्राप्त करता है, जो VLN रोबस्टनेस के लिए एक नया प्रतिमान (paradigm) स्थापित करता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने NaVid को बेसलाइन LM-आधारित VLN एजेंट के रूप में उपयोग करते हुए R2R-CE और RxR-CE डेटासेट्स पर FlowDec का मूल्यांकन किया। प्रयोगों में 5,000 से अधिक अनदेखी ट्रेजेक्टरीज में छह प्रतिनिधि करप्शन प्रकारों (गौसियन नॉइज़, शॉट नॉइज़, स्नो, फॉग, जेपेग कम्प्रेशन, कंट्रास्ट) को कवर किया गया।

नेविगेशन प्रदर्शन: FlowDec ने सभी बेसलाइन्स (SCUNet, Dec-DPM, और Dec-CM सहित) को पछाड़ दिया।
- R2R-CE पर, इसने वैनिला मॉडल की तुलना में सक्सेस रेट (SR) में 25.33% का सापेक्ष सुधार हासिल किया।
- RxR-CE पर, इसने SR में 9.38% का सापेक्ष सुधार हासिल किया।
- इसने डिफ्यूजन-आधारित TTA मेथड्स (Dec-DPM, Dec-CM) और ब्लाइंड डिनोइजिंग (SCUNet) की तुलना में लगातार बेहतर प्रदर्शन किया, विशेष रूप से सक्सेस वेटेड बाय पाथ लेंथ (SPL) को बनाए रखने में।
टेम्पोरल कंसिस्टेंसी: FlowDec ने सभी करप्शन प्रकारों में सबसे कम वार्प एरर (फ्रेमों के बीच मोशन कंसिस्टेंसी के लिए एक मीट्रिक) प्राप्त किया, जो पुष्टि करता है कि इसकी टेम्पोरल कंडीशनिंग सीन कोहेरेंस को प्रभावी ढंग से बनाए रखती है, जो डाउनस्ट्रीम LM रीजनिंग के लिए महत्वपूर्ण है।
इंफरेंस लेटेंसी: FlowDec ने डिफ्यूजन-आधारित बेसलाइन्स की तुलना में 3× से 8× की स्पीडअप प्रदर्शित की। इसने लगभग 173 ms (कुल पाइपलाइन) में डिकोरप्शन हासिल किया, जो इसे ऑनलाइन रोबोटिक डिप्लॉयमेंट के लिए व्यवहार्य बनाता है, जबकि डिफ्यूजन बेसलाइन्स में महत्वपूर्ण ओवरहेड (जैसे, Dec-DPM: 1411 ms) होता है।
रियल-वर्ल्ड डिप्लॉयमेंट: सिस्टम को चार इनडोर और आउटडोर कार्यों में Unitree GO2 लेग्ड रोबोट पर तैनात किया गया। FlowDec ने बेसलाइन को लगातार पछाड़ते हुए, ल्यूमिनेंस फ्लक्चुएशन और मोशन ब्लर वाले चुनौतीपूर्ण परिदृश्यों में पर्याप्त लाभ दिखाया।
क्लीन इनपुट प्रदर्शन: FlowDec के एकीकरण से क्लीन इनपुट पर सांख्यिकीय रूप से महत्वपूर्ण प्रदर्शन गिरावट नहीं हुई, जो सामान्य डिप्लॉयमेंट के लिए इसकी सुरक्षा को प्रमाणित करता है।

5. महत्व और दावे (Significance and Claims)

यह पेपर FlowDec को लचीले एम्बोडीड AI की दिशा में एक महत्वपूर्ण कदम के रूप में प्रस्तुत करता है। लेखकों का तर्क है कि जबकि लार्ज मॉडल्स ने VLN-CE को उन्नत किया है, उनका वास्तविक दुनिया में डिप्लॉयमेंट वर्तमान में विजुअल करप्शन के प्रति मजबूती की कमी के कारण बाधित है।

इस कार्य का महत्व यहाँ निहित है:

रीजनिंग से रोबस्टनेस को अलग करना: डिकोरप्शन को एक प्री-प्रोसेसिंग मॉड्यूल के रूप में मानकर, FlowDec जटिल, पैरामीटर-हैवी नेविगेशन बैकबोन को फिर से प्रशिक्षित करने की आवश्यकता के बिना मजबूती को बढ़ाता है।
नेविगेशन के लिए टेम्पोरल कंसिस्टेंसी: यह शुद्ध पर्सेप्चुअल क्वालिटी के बजाय इंटर-फ्रेम कंसिस्टेंसी और एक्शन-लेवल कोहेरेंस को प्राथमिकता देकर मौजूदा रेस्टोरेशन मेथड्स के एक विशिष्ट अंतराल को संबोधित करता है, जो निरंतर नेविगेशन के लिए आवश्यक है।
रियल-टाइम व्यवहार्यता: फ्लो मैचिंग और ऑप्टिमाइज्ड इंटीग्रेशन पाथ का लाभ उठाकर, यह उन लेटेंसी बाधाओं को दूर करता है जिन्होंने डिफ्यूजन-आधारित रेस्टोरेशन मेथड्स को ऑनलाइन रोबोटिक सिस्टम में उपयोग करने से रोका है।

लेखक निष्कर्ष निकालते हैं कि FlowDec अप्रत्याशित वास्तविक दुनिया की स्थितियों में एम्बोडीड नेविगेशन के लिए एक मजबूत, कुशल प्रतिमान स्थापित करता है, जो एजेंटों के लिए सुरक्षित संचालन का मार्ग प्रशस्त करता है। भविष्य के कार्य में डायनेमिक रूप से बदलते नॉइज़ पैटर्न को संभालने के लिए फ्रेमवर्क का विस्तार करने का प्रस्ताव दिया गया है।