ObsGraph: Hierarchical Observation Representation for Embodied Reasoning and Exploration

तकनीकी सारांश: ObsGraph

समस्या विवरण

जटिल, अपरिचित वातावरण में काम करने वाले स्वायत्त रोबोटों के सामने एक मौलिक चुनौती होती है: उन्हें कार्य पूरा करने के लिए आवश्यक जानकारी की पहचान करने और उसे प्राप्त करने के लिए सक्रिय रूप से अन्वेषण (explore) करना चाहिए। वर्तमान दृष्टिकोण दृश्य प्रतिनिधित्व (scene representation) और कार्य-आधारित पहुंच (task-conditioned access) के बीच के संतुलन में संघर्ष करते हैं।

• सघन 3D प्रतिनिधित्व (जैसे, वोक्सेल मैप्स) समृद्ध ज्यामितीय और अर्थपूर्ण जानकारी को संरक्षित करते हैं लेकिन उनमें स्पष्ट अमूर्तता (abstraction) का अभाव होता है, जिससे कार्य-प्रासंगिक क्षेत्रों का चयनात्मक निष्कर्षण कठिन हो जाता है और जैसे-जैसे अन्वेषण बढ़ता है, स्केलेबिलिटी सीमित हो जाती है।
• सीन ग्राफ (Scene graphs) कॉम्पैक्ट संरचनात्मक अमूर्तता प्रदान करते हैं लेकिन अक्सर कार्य निर्दिष्ट होने से पहले ही समयपूर्व अमूर्तता पर निर्भर करते हैं, जिससे भविष्य के कार्यों के लिए महत्वपूर्ण दृश्य साक्ष्य (visual evidence) नष्ट हो सकते हैं।
• छवि-आधारित तर्क (Image-based reasoning) समृद्ध दृश्य विवरणों को सुरक्षित रखता है लेकिन इसमें स्पष्ट संरचनात्मक संगठन का अभाव होता है, जिससे यह समझना कठिन हो जाता है कि अतिरिक्त जानकारी के लिए किस स्तर की आवश्यकता है।

इसके अलावा, मौजूदा विधियाँ अक्सर अन्वेषण के दायरे (exploration scope) को अनुकूल रूप से चुनने में विफल रहती हैं। रोबोटों को न केवल इस बारे में तर्क करने की आवश्यकता है कि क्या गायब है, बल्कि यह भी कि सूचना अंतराल (information gaps) को कुशलतापूर्वक हल करने के लिए अतिरिक्त जानकारी किस अमूर्तता स्तर (कमरा, दृश्य, या वस्तु) पर जुटानी चाहिए।

कार्यप्रणाली: ObsGraph

लेखक ObsGraph का प्रस्ताव करते हैं, जो एक एकीकृत ढांचा है जो अवलोकन-केंद्रित दृश्य प्रतिनिधित्व (observation-centric scene representation), पदानुक्रमित पुनर्प्राप्ति (hierarchical retrieval), और अनुकूलन योग्य अन्वेषण (adaptive exploration) को मजबूती से एकीकृत करता है। इसका मुख्य नवाचार एक पदानुक्रमित सीन ग्राफ है जो दृश्यों (observations) को तीन अलग-अलग परतों में व्यवस्थित करता है: कमरा (Room), दृश्य (View), और वस्तु (Object)।

1. अवलोकन-केंद्रित सीन ग्राफ (Observation-Centric Scene Graph)

वातावरण को अमूर्त गुणों में सारांशित करने वाली विधियों के विपरीत, ObsGraph स्वयं दृश्यों को बनाए रखता है, जो पदानुक्रमित रूप से व्यवस्थित हैं:

• कमरा परत (Room Layer): एक मोटे स्थानिक आधार (coarse spatial anchor) के रूप में कार्य करती है। यह अनुमानित कमरों के प्रकारों को संग्रहीत करती है और दृश्यों को कमरे के अनुसार व्यवस्थित करती है। कमरों के आवंटन को VLM भविष्यवाणियों का उपयोग करके बेयसियन अनुमान (Bayesian inference) के माध्यम से अपडेट किया जाता है, जो कमरे के प्रकार और वस्तुओं के संबंध को जोड़कर मजबूती प्रदान करता है।
• दृश्य परत (View Layer): संदर्भ संबंधी जानकारी के रूप में वस्तुओं की सह-दृश्यता (co-visibility) को सुरक्षित रखती है। सभी छवियों को संग्रहीत करने के बजाय, लेखक एक सूचनात्मक दृश्य चयन रणनीति (informative view selection strategy) का प्रस्ताव करते हैं। यह विधि विविध वस्तु संबंधों को कैप्चर करने के लिए 'एग्लोमेरेटिव क्लस्टरिंग' का उपयोग करती है ताकि दृश्य अतिरेक (redundancy) से बचा जा सके। प्रतिनिधि दृश्यों को CLIP समानता के आधार पर क्लस्टरों को सौंपा जाता है, जो एक संक्षिप्त लेकिन संदर्भ-समृद्ध परत सुनिश्चित करता है।
• वस्तु परत (Object Layer): प्रत्येक पहचानी गई वस्तु के लिए वस्तु-केंद्रित क्रॉप्स (object-centric crops) को संग्रहीत करती है। ये सूक्ष्म विवरण प्रदान करते हैं जो व्यापक दृश्य परत में खो सकते हैं या अस्पष्ट हो सकते हैं।

जैसे-जैसे नए अवलोकन आते हैं, ग्राफ को वृद्धिशील (incrementally) रूप से अपडेट किया जाता है, जिसमें नए ऑब्जेक्ट्स को जोड़ा जाता है और क्लस्टरों को परिष्कृत किया जाता है।

2. पदानुक्रमित पुनर्प्राप्ति (Hierarchical Retrieval)

किसी कार्य के दिए जाने पर, सिस्टम एक बाउंडेड क्वेरी बजट के साथ एक लार्ज लैंग्वेज मॉडल (LLM) का उपयोग करके कोर्स-टू-फाइन (coarse-to-fine) पुनर्प्राप्ति प्रक्रिया करता है।

• पुनर्प्राप्ति पदानुक्रम (कमरा $\to$ दृश्य $\to$ वस्तु) के माध्यम से चलती है, जिससे खोज क्षेत्र धीरे-धीरे संकुचित होता जाता है।
• प्रत्येक स्तर पर, LLM कार्य की प्रासंगिकता के आधार पर $k$ प्रासंगिक नोड्स चुनता है।
• अगले स्तर के लिए उम्मीदवार स्थान को चयनित नोड्स से संरचनात्मक रूप से जुड़े नोड्स तक ही सीमित रखा जाता है, जिससे व्यापक LLM कॉल्स के बिना मल्टी-ब्रांच रीजनिंग संभव होती है।
• यह प्रक्रिया विशिष्ट कमरे के प्रकारों, दृश्यों और वस्तु क्रॉप्स को पुनर्प्राप्त करती है जो कार्य के लिए साक्ष्य आधार (evidence base) बनाते हैं।

3. अनुकूलन योग्य अन्वेषण रणनीति (Adaptive Exploration Strategy)

पुनर्प्राप्ति के परिणाम सीधे अन्वेषण उम्मीदवार स्थान (exploration candidate space) को संरचना प्रदान करते हैं। यदि पुनर्प्राप्त साक्ष्य कार्य को पूरा करने के लिए अपर्याप्त हैं, तो सिस्टम उस अमूर्तता स्तर के अनुरूप अन्वेषण विकल्पों को सक्रिय करता है जहाँ अंतराल पाया गया था:

• कमरा अन्वेषण (Room Exploration): तब ट्रिगर होता है जब एक प्रासंगिक कमरा पहचाना जाता है लेकिन उसके भीतर अन-एक्सप्लोर्ड क्षेत्र मौजूद होते हैं। एजेंट उस कमरे के भीतर अन-एक्सप्लोर्ड क्लस्टर्स को लक्षित करता है।
• दृश्य शोधन (View Refinement): तब ट्रिगर होता है जब एक प्रासंगिक दृश्य पहचाना जाता है लेकिन अवलोकन अपर्याप्त होता है (जैसे, स्केल, अवरोध या कोण के कारण)। एजेंट अधिक समृद्ध साक्ष्य प्राप्त करने के लिए "करीब का दृश्य", "व्यापक संदर्भ", या "अलग कोण" जैसी रणनीतियाँ चुनता है।
• फ्रंटियर अन्वेषण (Frontier Exploration): व्यापक दृश्य अवलोकन एकत्र करने के लिए डिफॉल्ट विकल्प के रूप में कार्य करता है जब कोई विशिष्ट स्तर प्रासंगिक जानकारी प्रदान नहीं करता है।

एक विजन-लैंग्वेज मॉडल (VLM) सबसे उपयुक्त अन्वेषण लक्ष्य चुनने के लिए संरचित विकल्पों और पुनर्प्राप्त साक्ष्यों पर तर्क करता है, जिससे उच्च-स्तरीय सिमेंटिक रीजनिंग को लो-लेवल कोऑर्डिनेट कंप्यूटेशन से अलग किया जाता है।

4. समाप्ति जांच (Termination Check)

एक अलग VLM क्वेरी यह निर्धारित करती है कि क्या संचित साक्ष्य कार्य का उत्तर देने के लिए पर्याप्त हैं, जिससे अनावश्यक अन्वेषण को रोका जा सके।

मुख्य योगदान

1. कार्य-अज्ञेय (Task-Agnostic) अवलोकन-केंद्रित सीन ग्राफ: एक पदानुक्रमित प्रतिनिधित्व (कमरा-दृश्य-वस्तु) जो समृद्ध दृश्य साक्ष्य को सुरक्षित रखता है और उन्हें कार्य-जागरूक तर्क के लिए व्यवस्थित करता है।
2. सूचनात्मक दृश्य चयन: एक क्लस्टरिंग-आधारित रणनीति जो दृश्य अतिरेक को कम करते हुए विविध वस्तु सह-दृश्यता पैटर्न को बनाए रखने वाला एक संक्षिप्त दृश्य स्तर बनाती है।
3. सीन ग्राफ-निर्देशित पुनर्प्राप्ति: एक कोर्स-टू-फाइन पुनर्प्राप्ति योजना जो लापता कार्य-प्रासंगिक जानकारी की पहचान करने के लिए पदानुक्रमित संरचनात्मक और सिमेंटिक संदर्भ का लाभ उठाती है।
4. अनुकूलन योग्य अन्वेषण: एक रणनीति जो पहचाने गए सूचना अंतराल के अमूर्तता स्तर के आधार पर अन्वेषण के पैमाने (कमरा, दृश्य, या फ्रंटियर) को गतिशील रूप से समायोजित करती है।

प्रयोगात्मक परिणाम

लेखकों ने तीन बेंचमार्क पर ObsGraph का मूल्यांकन किया: EM-EQA (एपिसोडिक मेमोरी), A-EQA (एक्टिव एक्सप्लोरेशन), और GOAT-Bench (गोल-ओरिएंटेड नेविगेशन)।

• EM-EQA (प्रतिनिधित्व): ObsGraph ने 61.5% LLM-Match सटीकता प्राप्त की, जो 3D-Mem (57.2%) और अन्य बेसलाइनों से बेहतर है। इसने प्रदर्शित किया कि दृश्य साक्ष्य और संरचनात्मक संदर्भ दोनों को सुरक्षित रखने से बेहतर प्रदर्शन मिलता है। विशेष रूप से, इसने औसत क्वेरीड फ्रेम्स की संख्या में केवल 0.2 की वृद्धि के साथ 3D-Mem पर 4.3 अंक का सुधार दिखाया।
• A-EQA (अन्वेषण): ObsGraph ने उच्चतम LLM-Match (54.5%) और LLM-SPL (45.0) प्राप्त किया, जो 3D-Mem (49.6% / 37.0%) से अधिक है। यह दर्शाता है कि ढांचा न केवल जानकारी बेहतर तरीके से पुनर्प्राप्त करता है बल्कि अन्वेषण को अधिक कुशलता से निर्देशित भी करता है।
• GOAT-Bench (नेविगेशन): गोल-ओरिएंटेड नेविगेशन में, ObsGraph ने 72.7% सफलता दर (SR) और 51.5 SPL प्राप्त किया, जो 3D-Mem (69.1% SR) सहित सभी बेसलाइनों से बेहतर है।

एब्लेशन स्टडीज (Ablation Studies) ने पुष्टि की कि प्रत्येक परत (कमरा, दृश्य, वस्तु) और प्रत्येक अन्वेषण विकल्प (कमरा, दृश्य शोधन, फ्रंटियर) सटीकता और दक्षता दोनों में महत्वपूर्ण योगदान देते हैं। दृश्य चयन रणनीति या पदानुक्रम को हटाने से प्रदर्शन में उल्लेखनीय गिरावट आई।

महत्व और दावे

यह पेपर दावा करता है कि ObsGraph सफलतापूर्वक दृश्य प्रतिनिधित्व, पुनर्प्राप्ति और अन्वेषण को एक एकल कार्य-जागरूक लूप में एकीकृत करता है। पुनर्प्राप्त अमूर्तता स्तर के अनुसार अन्वेषण उम्मीदवार स्थान को व्यवस्थित करके, सिस्टम पहचाने गए साक्ष्य अंतराल के आधार पर लक्षित सूचना संग्रह को सक्षम बनाता है।

लेखक अपने दृष्टिकोण के माध्यम से पिछले कार्यों की सीमाओं को संबोधित करते हैं:

• ऐसे समयपूर्व अमूर्तता से बचना जो उपयोगी दृश्य साक्ष्य को नष्ट कर देता है।
• यह समझने के लिए स्पष्ट तंत्र प्रदान करना कि अतिरिक्त जानकारी के लिए किस स्तर की आवश्यकता है।
• रोबोट को मोटे (कमरा) और सूक्ष्म-स्तरीय (दृश्य/वस्तु) अन्वेषण पैमानों के बीच अनुकूल रूप से स्विच करने में सक्षम बनाना।

पेपर निष्कर्ष निकालता है कि हालांकि यह दृष्टिकोण VLM रीजनिंग पर निर्भर है (जो धारणा या भाषा त्रुटियों के प्रति संवेदनशील हो सकता है), यह प्रदर्शित करता है कि संरचित दृश्य प्रतिनिधित्व जटिल वातावरणों में एम्बोडीड रीजनिंग और अन्वेषण को महत्वपूर्ण रूप से बेहतर बनाता है। भविष्य के कार्य के लिए अधिक मजबूत ज्यामितीय तर्क एकीकरण और डायनेमिक, लॉन्ग-होराइजन कार्यों के विस्तार की जांच करने का सुझाव दिया गया है।