Learning to Fold: prizewinning solution at LeHome Challenge 2026 (1st place online, 2nd offline)
यह शोध पत्र LeHome Challenge 2026 के लिए एक पुरस्कार विजेता द्विपक्षीय (bimanual) गारमेंट फोल्डिंग सिस्टम प्रस्तुत करता है जो एक विजन-लैंग्वेज-एक्शन पॉलिसी को सेल्फ-सुपरवाइज्ड रिइन्फोर्समेंट लर्निंग लूप के साथ बढ़ाकर शीर्ष रैंकिंग प्राप्त करता है, जहाँ पॉलिसी के स्वयं के सफलता और प्रगति के अनुमान एडवांटेज एस्टीमेशन और फेलियर डिटेक्शन को संचालित करते हैं, जिसे फ्लो-मैचिंग, डिस्ट्रिब्यूटेड ट्रेनिंग और रोबस्ट सिम-टू-रियल ट्रांसफर सहित इंजीनियरिंग अनुकूलन के एक व्यापक समूह द्वारा समर्थित किया गया है।
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 एक रोबोट एक बिखरी हुई टी-शर्ट या पैंट को मोड़ने की कोशिश कर रहा है। यह हमारे लिए सरल लगता है, लेकिन एक रोबोट के लिए, कपड़े का एक टुकड़ा एक अराजक, फिसलन भरे सांप की तरह है जो हर बार छूने पर अपना आकार बदल लेता है। यह पेपर बताता है कि कैसे लेखक, इलिया लारचेनको (Ilia Larchenko) ने एक ऐसा 'रोबोट ब्रेन' बनाया जिसने इसी कार्य के लिए एक सिमुलेशन प्रतियोगिता में प्रथम स्थान और एक वास्तविक दुनिया की प्रतियोगिता में दूसरा स्थान प्राप्त किया।
यहाँ इस कहानी का विवरण दिया गया है कि उन्होंने इसे कैसे किया, जिसे सरल अवधारणाओं में विभाजित किया गया है।
1. समस्या: मशीन के अंदर का "भूत" (The "Ghost" in the Machine)
रोबोट को दो हाथों का उपयोग करके चार प्रकार के कपड़े (लंबी/छोटी आस्तीन, लंबी/छोटी पैंट) मोड़ने थे।
- चुनौती: रोबोट को यह नहीं पता था कि वह क्या पकड़े हुए है। उसे शर्ट को देखकर यह समझना था कि, "क्या यह टी-शर्ट है या पैंट?" शुरू करने से पहले।
- पुरस्कार: रोबोट को "गोल्ड स्टार" (पुरस्कार) तभी मिलता था जब अंत में शर्ट पूरी तरह से मुड़ी हुई होती थी। यदि वह बीच में ही गड़बड़ कर देता, तो उसे कुछ नहीं मिलता। यह साइकिल चलाना सीखने जैसा है जहाँ आपको केवल तभी कुकी मिलती है जब आप बिना गिरे फिनिश लाइन तक पहुँच जाते हैं।
2. समाधान: एक "स्व-शिक्षण" लूप (A "Self-Teaching" Loop)
केवल मानवीय प्रदर्शनों की नकल करने के बजाय (जो कि एक वीडियो देखकर तैरना सीखने जैसा है), लेखक ने एक ऐसी प्रणाली बनाई जो करने, असफल होने और फिर से प्रयास करने से सीखती है। वह इसे "फ्लाईव्हील" (Flywheel) कहते हैं।
इसे एक कारखाने में काम करने वाली तीन-सदस्यीय टीम के रूप में सोचें:
- ट्रेनर (The Trainer): वह शिक्षक जो डेटा का अध्ययन करता है और रोबोट के दिमाग को अपडेट करता है।
- रनर्स (The Runners): एक वीडियो गेम (सिमुलेशन) में रोबोटों का एक समूह जो दिन में हजारों बार कपड़े मोड़ने की कोशिश करता है।
- मानवीय सहायक (The Human Helper): एक व्यक्ति जो केवल तभी हस्तक्षेप करता है जब रोबोट फंस जाता है, शर्ट को ठीक करता है, और रोबोट को फिर से प्रयास करने देता है।
ये तीनों सीधे एक-दूसरे से बात नहीं करते; वे केवल एक साझा डिजिटल मेलबॉक्स (HuggingFace Hub) में नोट्स छोड़ते हैं। ट्रेनर नोट्स पढ़ता है, सीखता है, और वापस बॉक्स में एक नया "ब्रेन अपडेट" डाल देता है। रनर्स उसे उठाते हैं और फिर से प्रयास करते हैं।
3. गुप्त मंत्र: रोबोट खुद अपना स्कोरकीपर है
आमतौर पर, रोबोटिक्स में, आपको एक मस्तिष्क की आवश्यकता होती है जो यह तय करे कि क्या करना है और एक अलग मस्तिष्क की जो यह अनुमान लगाए कि वह कैसा प्रदर्शन कर रहा है। इस लेखक ने दोनों को मिला दिया।
- जादुई ट्रिक: वही न्यूरल नेटवर्क जो यह तय करता है कि "आस्तीन को पकड़ो", यह भी अनुमान लगाता है कि "मेरे सफल होने की संभावना 80% है" और "मैं 40% काम पूरा कर चुका हूँ।"
- यह क्यों मदद करता है: क्योंकि रोबोट वास्तविक समय में अपना स्कोर जानता है, वह तेजी से सीख सकता है। यदि वह भविष्यवाणी करता है कि वह विफल होने वाला है, तो वह एक अलग चाल चलने का निर्णय ले सकता है। यह एक ऐसे छात्र की तरह है जो न केवल परीक्षा देता है, बल्कि अपनी गलतियों को तुरंत ग्रेड भी करता है ताकि देख सके कि कहाँ कमी रह गई।
4. गलतियों से सीखना ("Replay" रणनीति)
लेखक ने महसूस किया कि केवल अभ्यास करना काफी नहीं है। आपको कठिन हिस्सों का अभ्यास करने की आवश्यकता है।
- हार्ड माइनिंग (Hard Mining): जब रोबोट विफल होता है, तो सिस्टम उस सटीक क्षण को सहेज लेता है (जैसे वीडियो गेम में "सेव स्टेट")। फिर वह उस विफल अवस्था को लोड करता है और फिर से प्रयास करता है, लेकिन इस बार अतिरिक्त "शोर" (प्रकाश या कपड़े की बनावट में यादृच्छिक परिवर्तन) के साथ ताकि इसे और कठिन बनाया जा सके।
- मानवीय स्पर्श: जब रोबोट वास्तव में फंस जाता है, तो इंसान कुछ सेकंड के लिए नियंत्रण लेता है ताकि शर्ट को ठीक किया जा सके, और फिर नियंत्रण वापस सौंप देता है। रोबोट इस छोटे से सुधार से सीखता है। इसे DAgger कहा जाता है (मानवीय सुधारों से सीखने का एक तकनीकी नाम)।
5. "जादुई चश्मा" (Inference Optimization)
एक स्मार्ट दिमाग होने के बावजूद, यदि रोबोट बहुत तेज़ या बहुत धीमा चलता है, तो वह अनाड़ी हो सकता है। लेखक ने पाया कि बिल्कुल अंतिम क्षण में रोबोट के "सोचने" के तरीके को बदलकर प्रदर्शन में जबरदस्त उछाल आया।
- उपमा: कल्पना कीजिए कि आप एक बहुविकल्पीय परीक्षा दे रहे हैं। केवल पहला उत्तर चुनने के बजाय जो आपके दिमाग में आता है, आप मन में तीन अलग-अलग उत्तर जल्दी से तैयार करते हैं, जांचते हैं कि कौन सा "सबसे अच्छा" महसूस होता है (स्कोर के आधार पर), और फिर उसे चुनते हैं।
- थॉम्पसन सैंपलिंग (Thompson Sampling): लेखक ने एक गणितीय खेल (जैसे स्लॉट मशीन) का उपयोग किया ताकि हर प्रकार के शर्ट के लिए सही सेटिंग्स को स्वचालित रूप से निर्धारित किया जा सके (जैसे, "शॉर्ट्स के लिए, धीरे चलें; लंबी पैंट के लिए, मजबूती से पकड़ें") बिना हर एक संयोजन का मैन्युअल परीक्षण किए।
6. वास्तविक दुनिया की चुनौती: वीडियो गेम से वास्तविकता तक
सबसे कठिन हिस्सा कंप्यूटर सिमुलेशन से वास्तविक कमरे में वास्तविक रोबोट तक पहुँचना था।
- भौतिकी का "अनकैनी वैली" (Uncanny Valley): सिमुलेशन में, कपड़े एकदम सही दिखते थे। वास्तविकता में, प्रकाश अलग था, कैमरा थोड़ा टेढ़ा था, और रोबगर के हाथों में थोड़ी सी "खामी" (backlash) थी।
- समाधान: लेखक ने रोबोट को परफेक्ट बनाने की कोशिश नहीं की। इसके बजाय, उन्होंने प्रशिक्षण डेटा को अराजक (chaotic) बनाया। उन्होंने रोबोट को अंधेरे में, तेज धूप में, टेढ़े कैमरे के साथ, और अलग-अलग गति से कपड़े मोड़ने के लिए प्रशिक्षित किया।
- परिणाम: रोबोट को अराजकता के साथ सहज बनाने के कारण, जब उसने वास्तविक दुनिया देखी, तो वह घबराया नहीं। यह एक सर्फर को तूफानी समुद्र में प्रशिक्षित करने जैसा था ताकि शांत समुद्र तट उसे आसान लगे।
7. परिणाम
- सिमुलेशन: रोबोट ने 79.6% बार सफलतापूर्वक कपड़े मोड़े, और 61 अन्य टीमों को पीछे छोड़ दिया।
- वास्तविक दुनिया: इसने अंतिम प्रतियोगिता में दूसरा स्थान प्राप्त किया, और वास्तविक रोबोट पर वास्तविक कपड़े सफलतापूर्वक मोड़े।
मुख्य सबक
लेखक स्वीकार करते हैं कि यह नियंत्रित चरों के साथ एक पूर्ण वैज्ञानिक प्रयोग नहीं था। यह एक "किचन सिंक" दृष्टिकोण था—हर उपयोगी उपकरण (सुदृढीकरण सीखना, मानवीय फीडबैक, भारी डेटा ऑग्मेंटेशन और स्मार्ट अनुमान) को तब तक मिश्रण में डाला गया जब तक कि यह काम नहीं करने लगा।
मुख्य बात यह है कि कपड़ों जैसे अव्यवस्थपूर्ण और अप्रत्याशित चीजों को संभालने के लिए, रोबोटों को अपनी सफलता का पूर्वानुमान लगाने, मानवीय सुधारों से सीखने और अराजक, विविध वातावरणों में प्रशिक्षित होने की आवश्यकता होती है ताकि जब वास्तविकता वीडियो गेम जैसी न दिखे, तो वे भ्रमित न हों।
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।