💻 computer science

Flowing With Purpose: Latent Action Guided Flow Matching Policies For Robotic Manipulation

यह शोध पत्र लेटेंट एक्शन गाइडेड फ्लो मैचिंग (LAFM) प्रस्तुत करता है, जो एक नवीन रोबोटिक मैनिपुलेशन फ्रेमवर्क है जो एक्शन स्पेस में संरचनात्मक विसंगतियों को दूर करने के लिए फिक्स्ड गॉसियन प्रायर को एक लेटेंट एक्शन मॉडल द्वारा समर्थित सीखे गए वितरणों की एक एडेप्टिव लाइब्रेरी से बदल देता है, जिससे मानक फ्लो मैचिंग और बड़े प्री-ट्रेन्ड मॉडल्स की तुलना में प्रशिक्षण दक्षता और कार्य सफलता दर में महत्वपूर्ण सुधार होता है।

मूल लेखक: Bruno Machado, Alexandre Chapin, Emmanuel Dellandrea, Liming Chen

प्रकाशित 2026-06-23

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Bruno Machado, Alexandre Chapin, Emmanuel Dellandrea, Liming 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 रोबोटिक आर्म को जटिल कार्य करना सिखा रहे हैं, जैसे कि कटोरे सजाना या दराज खोलना। ऐसा करने के लिए, रोबोट को एक "पॉलिसी" (policy) सीखने की आवश्यकता होती है—जो नियमों का एक समूह है जो रोबोट को बताता है कि उसे अपनी वर्तमान स्थिति से वहां तक कैसे पहुँचना है जहाँ उसे होना चाहिए।

हाल के वर्षों में, रोबोट को यह सिखाने का सबसे अच्छा तरीका "फ्लो मैचिंग" (Flow Matching) रहा है। फ्लो मैचिंग को एक GPS नेविगेशन सिस्टम की तरह समझें। रोब tersebut रोबोट एक "नॉइज़" (noise) स्थान (संभावित गतिविधियों का एक रैंडम, उलझा हुआ ढेर) से शुरू होता है और उसे एक "टारगेट" (target) स्थान (कार्य को पूरा करने के लिए एकदम सुचारू गति) तक पहुँचना होता है। AI उस "सड़क" (वेक्टर फील्ड) को सीखता है जो शोर (noise) को लक्ष्य (target) से जोड़ती है।

समस्या: एक ही आकार सबके लिए सही नहीं होता (One Size Does Not Fit All)

वर्तमान मानक GPS (मानक फ्लो मैचिंग) में एक बड़ी खामी है: यह मान लेता है कि हर एक यात्रा बिल्कुल एक ही रैंडम स्थान से शुरू होती है।

कल्पना कीजिए कि आप एक टैक्सी ड्राइवर हैं। कभी-कभी आपको एक शांत लाइब्रेरी (एक बहुत ही विशिष्ट, सटीक गति) तक जाना होता है। अन्य समय में, आपको एक अराजक संगीत समारोह (एक विस्तृत, विविध गति) तक जाना होता है।

पुराना तरीका: GPS आपको हर यात्रा के लिए रेगिस्तान के बीचों-बीच एक ही रैंडम पार्किंग लॉट से शुरू होने के लिए मजबूर करता है, चाहे आप लाइब्रेरी जा रहे हों या फेस्टिवल। आपको अपने विशिष्ट यात्रा के लिए सही शुरुआती बिंदु तक पहुँचने के लिए पूरे रेगिस्तान को पार करना पड़ता है। यह रोबोट के सीखने के पथ (AI के लर्निंग पाथ) को अविश्वसनीय रूप से उलझा हुआ, भ्रमित करने वाला और अक्षम बना देता है।
वास्तविकता: रोबोटिक कार्य "हेटरोसेडास्टिक" (heteroscedastic) होते हैं। यह एक फैंसी शब्द है जिसका अर्थ है कि कुछ कार्य बहुत अनुमानित होते हैं (कम विचलन/low variance), जबकि अन्य बहुत अनिश्चित और विविध होते हैं (उच्च विचलन/high variance)। एक एकल शुरुआती बिंदु दोनों को अच्छी तरह से संभाल नहीं सकता।

समाधान: LAFM (Latent Action Guided Flow Matching)

इस शोध पत्र के लेखक LAFM पेश करते हैं, जो आपके टैक्सी बेड़े के लिए एक स्मार्ट डिस्पैचर (स्मार्ट व्यवस्थापक) की तरह काम करता है।

हर यात्रा को एक ही रैंडम रेगिस्तानी स्थान से शुरू करने के बजाय, LAFM एक लेटेंट एक्शन मॉडल (LAM) का उपयोग करता है। LAM को एक "मूवमेंट लाइब्रेरियन" (गति का पुस्तकालयाध्यक्ष) के रूप में समझें।

लाइब्रेरियन: रोबोट के हिलने से पहले ही, LAM वर्तमान दृश्य को देखता है और पूछता है, "यह किस तरह की गति है?" क्या यह एक नाजुक "पिक-अप" (उठाने वाली) गति है? एक "पुश" (धकेलने वाली) गति है? या एक "स्टैक" (सजाने वाली) गति है?
लाइब्रेरी: LAM के पास विभिन्न "शुरुआती क्षेत्रों" (प्रायर डिस्ट्रीब्यूशंस) की एक लाइब्रेरी है। प्रत्येक क्षेत्र एक विशिष्ट प्रकार की गति के लिए विशेष है।
मैच: यदि रोबोट को एक नाजुक "पिक-अप" करनी है, तो LAM उसे लाइब्रेरी के ठीक बगल वाले शुरुआती क्षेत्र में भेज देता है। यदि उसे एक जंगली "डांस" करना है, तो वह उसे फेस्टिवल के पास वाले शुरुआती क्षेत्र में भेज देता है।

कार्य से मेल खाने वाले एक "स्मार्ट" शुरुआती बिंदु से रोबोट की यात्रा शुरू करके, रोबोट को रेगिस्तान पार करने की आवश्यकता नहीं होती है। पथ छोटा, सीधा और बहुत कम उलझा हुआ हो जाता है।

उन्होंने इसे कैसे सिद्ध किया

शोधकर्ताओं ने इस नए "स्मार्ट डिस्पैचर" सिस्टम का दो तरीकों से परीक्षण किया:

वास्तविक दुनिया के रोबोट: उन्होंने चार कार्यों को करने के लिए एक वास्तविक रोबोटिक आर्म (Franka Emika Panda) का उपयोग किया: ड्रेनर में प्लेटें रखना, स्क्रूड्राइवर के साथ दराज खोलना, कैन फेंकना और कटोरे सजाना।
- परिणाम: नया तरीका (LAFM) पुराने मानक तरीके की तुलना में 23.4% अधिक सफल रहा। यह एक विशाल, प्री-ट्रेंड AI मॉडल $\pi_0$ से भी बेहतर था, जिसके पास 30 गुना अधिक पैरामीटर्स (मेमोरी) हैं, भले ही LAFM बहुत छोटा है।
सिम्युलेटेड बेंचमार्क (LIBERO): उन्होंने 90 अलग-अलग कार्यों के साथ एक जटिल वीडियो गेम सिमुलेशन में रोबोट का परीक्षण किया।
- परिणाम: LAFM ने मानक विधि की तुलना में 10.4% उच्च सफलता दर प्राप्त की। इसने लगभग सभी अन्य शीर्ष-स्तरीय रोबोट AI को पछाड़ दिया, जिसमें वे भी शामिल हैं जो विशाल डेटासेट पर प्री-ट्रेंड हैं।

मुख्य निष्कर्ष

यह पेपर दावा करता है कि केवल यह बदलकर कि रोबोट अपनी सीखने की यात्रा कहाँ से शुरू करता है (एक एकल रैंडम स्थान से एक स्मार्ट शुरुआती स्थानों की लाइब्रेरी तक), आप रोबोट को तेज़ी से सीखने, अधिक सुचारू रूप से चलने और कार्यों में बहुत अधिक बार सफल होने में मदद कर सकते हैं।

उन्होंने केवल थोड़ा अतिरिक्त प्रशिक्षण नहीं जोड़ा; उन्होंने सीखने की प्रक्रिया की ज्यामिति (geometry) को मौलिक रूप से बदल दिया। रोबोट को अब संभावनाओं के उलझे हुए ढेर को सुलझाने की आवश्यकता नहीं है; उसे एक पूर्व-निर्धारित मार्ग दिया जाता है जो विशिष्ट कार्य के अनुकूल होता है।

संक्षेप में: LAFM रोबोट को यह अनुमान लगाने से रोकता है कि कहाँ से शुरू करना है। यह रोबोट को जो वह देख रहा है उसके आधार पर एक "हेड स्टार्ट" (शुरुआती बढ़त) देता है, जिससे सीखने की पूरी प्रक्रिया बहुत अधिक कुशल और सफल हो जाती है।

तकनीकी सारांश: लेटेंट एक्शन गाइडेड फ्लो मैचिंग (LAFM)

समस्या विवरण (Problem Statement)

फ्लो मैचिंग रोबोटिक मैनिपुलेशन के लिए एक अग्रणी प्रतिमान (paradigm) के रूप में उभरा है, जो डिफ्यूजन-आधारित नीतियों की तुलना में तेज़ इन्फरेंस और अधिक स्थिर अनुकूलन (optimization) प्रदान करता है। यह एक स्रोत वितरण (source distribution) से लक्ष्य क्रिया वितरण (target action distribution) तक एक निरंतर परिवहन क्षेत्र (continuous transport field) को सीखकर कार्य करता है। हालाँकि, अत्याधुनिक फ्लो मैचिंग नीतियां एक व्यवस्थित संरचनात्मक बेमेल (systematic structural mismatch) से ग्रस्त हैं। वे एक वैश्विक रूप से स्थिर आइसोट्रोपिक गाऊसीअन स्रोत वितरण ( $N(0, I)$ ) पर निर्भर करती हैं, जो रोबोटिक क्रिया स्थानों की अत्यधिक खंडित और हेटेरोसेडास्टिक (heteroscedastic) प्रकृति को समझने में विफल रहता है।

रोबोटिक मैनिपुलेशन में, समान दृश्य अवलोकनों (visual observations) के कई वैध मोटर भविष्य (जैसे, विभिन्न ग्रैस्प रणनीतियाँ या इंटरेक्शन इरादे) हो सकते हैं। एक एकल असंरचित स्रोत को इन स्पष्ट रूप से अलग किए गए क्रिया मोड (action modes) से जोड़ने के लिए मजबूर करने से अत्यधिक उलझे हुए वेक्टर फील्ड्स (entangled vector fields) उत्पन्न होते हैं। यह मॉडल को जटिल परिवहन पथों को सीखने के लिए मजबूर करता है जहाँ पास के शोर नमूने (noise samples) दूर के लक्ष्यों की ओर विकसित होने चाहिए, जिससे प्रशिक्षण दक्षता बाधित होती है और नीति का प्रदर्शन सीमित होता है। इसके अलावा, एक एकल स्थिर प्रायर (prior) मोड-निर्भर अनिश्चितता को कैप्चर नहीं कर सकता है, जो मौलिक रूप से भिन्न मोशन रिजीम के बीच एक सजातीय विचरण (homogeneous variance) को अप्रत्यक्ष रूप से लागू करता है।

कार्यप्रणाली: लेटेंट एक्शन गाइडेड फ्लो मैचिंग (LAFM)

LAFM एक लेटेंट एक्शन मॉडल (LAM) द्वारा समर्थित, सीखे गए प्रायर डिस्ट्रीब्यूशन के एक अनुकूल लाइब्रेरी का उपयोग करके इन सीमाओं को संबोधित करता है।

मुख्य वास्तुकला (Core Architecture)

यह ढांचा तीन प्राथमिक घटकों से बना है:

लेटेंट एक्शन मॉडल (LAM): इसे अवलोकनों ( $o_t, o_{t+T}$ ) के बीच टेम्पोरल डायनेमिक्स को एक डिस्क्रीट लेटेंट स्पेस $C = \{1, \dots, C\}$ में संकुचित करने के लिए प्री-ट्रेन किया गया है। यह तात्कालिक नियंत्रणों के बजाय उच्च-स्तरीय मोशन प्रिमिटिव्स का प्रतिनिधित्व प्रदान करता है।
पॉलिसी एनकोडर: वर्तमान अवलोकनों से सीधे लेटेंट क्रियाओं पर एक कैटेगोरिकल डिस्ट्रीब्यूशन ( $\pi_k(o_t)$ ) की भविष्यवाणी करता है। यह भविष्यवाणी एक संरचनात्मक बायस (structural bias) के रूप में कार्य करती है, जो यह चुनती है कि किस प्रायर डिस्ट्रीब्यूशन का उपयोग किया जाना चाहिए।
फ्लो मैचिंग डिकोडर: एक एकल वैश्विक गाऊसीअन से शोर (noise) सैंपल करने के बजाय, डिकोडर एनकोडर द्वारा चुने गए विशिष्ट प्रायर $N(\mu_k, \Sigma_k)$ से शोर सैंपल करता है, जिसे इंडेक्स $k$ द्वारा दर्शाया गया है।

प्रशिक्षण उद्देश्य (Training Objective)

प्रशिक्षण प्रक्रिया एक संयुक्त लॉस फंक्शन (समीकरण 5) को कम करती है जिसमें शामिल हैं:

अनुकूली फ्लो मैचिंग लॉस ( $L_{AFM}$ ): नेटवर्क डिनोइजिंग वेक्टर फील्ड $u_\theta(A^\tau_t | A_t) = A_t - \epsilon_k$ को रिgress करता है, जहाँ $\epsilon_k$ को चयनित लेटेंट-कंडीशन्ड प्रायर से सैंपल किया गया है।
लेटेंट एक्शन क्लासिफिकेशन लॉस ( $L_{CCE}$ ): एक कैटेगोरिकल क्रॉस-एन्ट्रॉपी लॉस जो यह सुनिश्चित करता है कि एनकोडर ग्राउंड-ट्रुथ मोशन प्रिमिटिव के अनुरूप लेटेंट एक्शन इंडेक्स की सटीक भविष्यवाणी करे।
KL डाइवर्जेंस रेगुलराइजेशन ( $R_{KL}$ ): एक सहायक लॉस जो सीखे गए प्रायर और एक मानक सामान्य वितरण (standard normal distribution) के बीच डाइवर्जेंस को दंडित करता है। यह ओवर-स्पेशलाइजेशन को रोकता है और प्रशिक्षण स्थिरता सुनिश्चित करता है, विशेष रूप से कम प्रतिनिधित्व वाले मोशन प्रिमिटिव्स के लिए।

सैद्धांतिक औचित्य (Theoretical Justification)

लेखक इस अंतर्ज्ञान को औपचारिक रूप करते हैं कि स्रोत वितरण को संरचित करने से परिवहन का बोझ कम हो जाता है। प्रपोजिशन 1 प्रदर्शित करता है कि यदि प्रायर, कंडीशनल एक्शन डिस्ट्रीब्यूशन के विशिष्ट मोड के साथ संरेखित (aligned) हैं, तो अपेक्षित स्क्वेर्ड ट्रांसपोर्ट डिस्टेंस ( $E||A_t - \epsilon_k||^2$ ) एक एकल आइसोट्रोपिक प्रायर की तुलना में कम या उसके बराबर होता है, यह मानते हुए कि परफेक्ट मोड कपलिंग मौजूद है। इसके परिणामस्वरूप छोटे और कम उलझे हुए परिवहन पथ (transport trajectories) प्राप्त होते हैं।

प्रमुख योगदान (Key Contributions)

नया फॉर्मूलेशन: LAFM का परिचय, जो एक कंडीशनल फ्लो मैचिंग फ्रेमवर्क है जहाँ स्रोत वितरण को एक निश्चित प्रायर के बजाय लेटेंट मोशन प्रिमिटिव्स द्वारा इंडेक्स की गई सीखे गए प्रायर की लाइब्रेरी से गतिशील रूप से चुना जाता है।
संरचनात्मक इंडक्टिव बायस: इन प्रायर को एक LAM का उपयोग करके ग्राउंड करने का एक तंत्र, जो लेटेंट क्रियाओं को केवल एक प्री-ट्रेनिंग सिग्नल से बदलकर परिवहन प्रक्रिया की ज्यामिति पर एक प्रत्यक्ष संरचनात्मक बायस में बदल देता है।
अनुभवजन्य श्रेष्ठता (Empirical Superiority): यह प्रदर्शन करना कि स्रोत वितरण को संरचित करने से सिमुलेशन और वास्तविक दुनिया दोनों सेटिंग्स में नियंत्रण प्रदर्शन में महत्वपूर्ण सुधार होता है, जो मानक फ्लो मैचिंग और बड़े विजन-लैंग्वेज-एक्शन (VLA) मॉडल से बेहतर प्रदर्शन करता है।

प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने वास्तविक दुनिया के रोबोटिक डिप्लॉयमेंट और LIBERO सिमुलेशन बेंचमार्क पर LAFM का मूल्यांकन किया।

वास्तविक दुनिया के प्रयोग

एक फ्रैंका एमिका पांडा आर्म (Franka Emika Panda arm) पर चार मैनिपुलेशन कार्यों (प्लेट स्टैकिंग, ड्रॉअर मैनिपुलेशन, कैन डिस्पोजल, बाउल स्टैकिंग) के लिए मूल्यांकन किया गया:

सफलता दर (Success Rate): LAFM ने औसत सफलता दर 86.7% प्राप्त की, जो मानक फ्लो मैचिंग (FM) बेसलाइन (63.3%) से 23.4% और बड़े प्री-ट्रेन $\pi_0$ (71.7%) से 15.0% अधिक है।
पूर्णता स्कोर (Completion Score): LAFM ने FM पर 18.9% और $\pi_0$ पर 11.0% का निरंतर पूर्णता स्कोर सुधार दिखाया।
दक्षता (Efficiency): LAFM (0.11B पैरामीटर्स) ने $\pi_0$ (3.3B पैरामीटर्स) की तुलना में काफी कम पैरामीटर्स होने और बड़े पैमाने पर प्री-ट्रेनिंग न होने के बावजूद बेहतर प्रदर्शन किया।

सिमुलेशन बेंचमार्क (LIBERO)

LIBERO-10 (Spatial, Object, Goal, Long): LAFM ने 96.7% की स्टेट-ऑफ-द-आर्ट औसत सफलता दर प्राप्त की, जो मानक FM बेसलाइन (95.4%) और UniVLA जैसे अन्य बड़े VLAs (95.2%) से थोड़ा बेहतर है।
LIBERO-90: इस अधिक जटिल 90 कार्यों के सूट में, LAFM ने 93.0% की सफलता दर प्राप्त की, जो मानक FM बेसलाइन (82.6%) पर 10.4% का पूर्ण लाभ है और $\pi_0$ (92.1%) सहित अन्य सभी बेसलाइनों से बेहतर है।

एब्लेशन स्टडीज (Ablation Studies)

"FM + LAC" (लेटेंट एक्शन कंडीशनिंग के साथ फ्लो मैचिंग, जहाँ लेटेंट क्रियाएं इनपुट के रूप में दी जाती हैं लेकिन शोर अभी भी एक एकल गाऊसीअन से सैंपल किया जाता है) के विरुद्ध LAFM की तुलना करने पर पता चला कि जबकि सहायक पर्यवेक्षण (auxiliary supervision) मदद करता है, संरचित प्रायर (structured priors) स्वयं प्रदर्शन लाभ के प्राथमिक चालक हैं।

महत्व और दावे (Significance and Claims)

पेपर दावा करता है कि LAFM रोबोटिक मैनिपुलेशन के लिए एक मजबूत, कुशल और स्केलेबल प्रतिमान स्थापित करता है, जो मानक फ्लो मैचिंग की संरचनात्मक अक्षमताओं को संबोधित करता है। लेटेंट क्रियाओं के माध्यम से मोटे मोशन इरादों (motion intents) के साथ डिनोइजिंग प्रक्रिया के आरंभ को संरेखित करके, यह विधि:

वेक्टर फील्ड्स को अलग (disentangle) करती है, जिससे सीखने का कार्य आसान और अधिक सैंपल-एफिशिएंट हो जाता है।
हेटेरोसेडास्टिसिटी (heteroscedasticity) को समायोजित करती है, जिससे मॉडल को मोशन प्रिमिटिव के आधार पर विचरण (variance) को अनुकूलित करने की अनुमति मिलती है।
बड़े प्री-ट्रेन VLAs की तुलना में बहुत छोटे आर्किटेक्चर का उपयोग करके स्टेट-ऑफ-द-आर्ट परिणाम प्राप्त करती है, जो यह सुझाव देता है कि जनरेटिव मॉडलिंग में संरचनात्मक सुधार केवल मॉडल के आकार को बढ़ाने की तुलना में अधिक प्रदर्शन लाभ दे सकते हैं।

लेखक नोट करते हैं कि हालांकि यह विधि अत्यधिक प्रभावी है, भविष्य के कार्य में रोबोटिक किनेमैटिक्स को बाहरी विजुअल डायनेमिक्स (जैसे कैमरा शिफ्ट) से बेहतर तरीके से अलग करने के लिए LAM को रिफाइन करने और बड़े-पैमाने के VLA प्री-ट्रेनिंग पाइपलाइनों में सीधे मल्टी-प्रायर फ्लो मैचिंग को एकीकृत करने की आवश्यकता है।