Advancing Omnimodal Embodied Agents from Isolated Skills to Everyday Physical Autonomy
यह शोध पत्र OmniAct को प्रस्तुत करता है, जो एक पदानुक्रमित अतुल्यकालिक ढांचा (hierarchical asynchronous framework) है जो साइबर-भौतिक नियोजन (cyber-physical planning), अनुकूलनशील स्मृति (adaptive memory) और दृश्य सत्यापन (visual verification) को एकीकृत करता है ताकि निरंतर शारीरिक एजेंटों (embodied agents) को अनस्ट्रक्चर्ड वातावरण में जटिल, दीर्घ-क्षितिज वाले कार्यों को स्वायत्त रूप से निष्पादित करने में सक्षम बनाया जा सके, साथ ही भौतिक विफलताओं के विरुद्ध दक्षता और मजबूती बनाए रखी 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 ऐसा रोबोट बनाना चाहते हैं जो आपके घर में रह सके और हफ्तों या महीनों तक आपके दैनिक कार्यों में मदद कर सके, बिना किसी इंसान द्वारा लगातार निगरानी किए। यह "एम्बोडीड एजेंट्स" (embodied agents) का लक्ष्य है। हालाँकि, वर्तमान रोबोट अनाड़ी इंटर्न की तरह हैं: वे एक काम अच्छी तरह से कर सकते हैं, लेकिन यदि वे भ्रमित हो जाते हैं, तो वे गलतियाँ करते रहते हैं जब तक कि पूरा दिन बर्बाद न हो जाए। साथ ही, उनकी याददाश्त बहुत खराब होती है, या तो वे एक घंटे पहले कही गई बात भूल जाते हैं या दिन के हर एक सेकंड को याद रखने के चक्कर में इतने अभिभूत हो जाते हैं कि वे सुन्न (freeze) पड़ जाते हैं।
यह शोध पत्र OmniAct पेश करता है, जो एक नया फ्रेमवर्क है जिसे इन अनाड़ी इंटर्न को विश्वसनीय, दीर्घकालिक घरेलू प्रबंधक बनाने के लिए डिज़ाइन किया गया है। OmniAct को एक एकल सुपर-ब्रेन के रूप में नहीं, बल्कि तीन विशिष्ट भूमिकाओं वाले एक अत्यधिक कुशल प्रबंधन दल (management team) के रूप में सोचें जो एक साथ काम करते हैं।
तीन विशिष्ट भूमिकाएँ
1. मास्टर प्लानर (द "प्रोजेक्ट मैनेजर")
अधिकांश रोबोट इसलिए संघर्ष करते हैं क्योंकि वे "डिजिटल" कार्यों (जैसे ऑनलाइन खाना ऑर्डर करना या स्मार्ट लाइट चालू करना) और "भौतिक" कार्यों (जैसे कप उठाना या कुर्सी हटाना) को दो पूरी तरह से अलग काम मानते हैं।
- उपमा: कल्पना कीजिए कि एक मैनेजर जो आईटी विभाग और निर्माण दल (construction crew) दोनों से एक साथ बात नहीं कर सकता। उन्हें एक नोट लिखना पड़ता है, आईटी कार्यालय जाना पड़ता है, जवाब प्राप्त करना पड़ता है, वापस आना पड़ता है, और फिर निर्माण दल से बात करनी पड़ती है। यह धीमा है और इसमें गलतियों की संभावना अधिक है।
- OmniAct का समाधान: प्लानर एक एकीकृत भाषा बोलता है। यह "स्मार्ट लाइट्स चालू करें" (डिजिटल) और "किताब उठाएं" (भौतिक) जैसे कमांड्स को एक सहज प्रवाह में मिला सकता है। यह केवल अनुमान नहीं लगाता; यह बड़े, जटिल अनुरोधों (जैसे "मेरे लिए नाश्ता लाओ") को स्पष्ट, छोटे और करने योग्य चरणों की एक सूची में तोड़ देता है।
2. स्मार्ट मेमोरी (द "फाइलिंग सिस्टम वाला लाइब्रेरियन")
यदि आप एक रोबोट को वह सब कुछ याद रखने के लिए कहते हैं जो आपने कभी कहा है, तो अंततः उसके पास जगह खत्म हो जाएगी या वह उन पुराने निर्देशों से भ्रमित हो जाएगा जो अब मायने नहीं रखते।
- उपमा: कल्पना कीजिए कि आप बोले गए हर शब्द के ट्रांसक्रिप्ट को पढ़कर 10 घंटे की बातचीत को याद करने की कोशिश कर रहे हैं। आप शोर में खो जाएंगे। एक बेहतर तरीका यह है कि एक लाइब्रेरियन हो जो केवल बातचीत के "अध्याय" (chapters) लिखता है।
- OmniAct का समाधान: हर कच्चे वीडियो फ्रेम या शब्द को स्टोर करने के बजाय, OmniAct इवेंट-बाउंड्री कम्प्रेशन (Event-Boundary Compression) का उपयोग करता है। यह एक "अध्याय ब्रेक" (जैसे कार्य पूरा करना या कमरे बदलना) का इंतजार करता है और फिर जो हुआ उसका सारांश एक संक्षिप्त नोट में लिख देता है। यह रोबोट की मेमोरी को हल्का और तेज़ रखता है, भले ही वह कई दिनों से काम कर रहा हो, बिना महत्वपूर्ण दीर्घकालिक नियमों (जैसे "मुझे चीनी पसंद नहीं है") को भूले।
3. सेफ्टी मॉनिटर (द "स्पॉटर")
वर्तमान रोबोट अक्सर "ओपन-लूप" में काम करते हैं, जिसका अर्थ है कि वे एक कार्य शुरू करते हैं और बस उम्मीद करते हैं कि सब ठीक होगा। यदि वे एक कप गिरा देते हैं, तो उन्हें पता नहीं चलता कि ऐसा हुआ है और वे अगले चरण को करने की कोशिश करते रहते हैं, जिससे स्थिति और बिगड़ जाती है।
- उपमा: यह एक अंधे व्यक्ति की तरह है जो कमरे में चलने की कोशिश कर रहा है। यदि वे लड़खड़ाते हैं, तो उन्हें पता नहीं चलता कि वे गिर गए हैं, इसलिए वे आगे बढ़ते रहते हैं।
- OmniAct का समाधान: इस प्रणाली में एक विजुअल प्रीएम्प्शन इंजन (Visual Preemption Engine) है। जबकि रोबोट काम कर रहा होता है, एक अलग "स्पॉटर" (एक कैमरा और AI) समय-समय पर जांच करता है। यदि स्पॉटर देखता है कि रोबोट ने कप गिरा दिया है या वह फंस गया है, तो वह तुरंत "रुक जाओ!" चिल्लाता है और प्लानर को गलती सुधारने के लिए जगा देता है। यह एक आपदा को एक साधारण मोड़ (detour) में बदल देता है।
यह वास्तविक दुनिया में कैसा प्रदर्शन करता है
शोधकर्ताओं ने OmniAct का परीक्षण दो बहुत अलग रोबोटों पर किया: एक रोबोटिक आर्म (जैसे मेज पर मानव हाथ जैसा) और एक व्हील्ड मोबाइल रोबट (जैसे रूमबा जो घूम सकता है)। उन्होंने उन्हें 40 कठिन, दीर्घकालिक कार्य दिए जिनमें भौतिक क्रियाओं को डिजिटल टूल्स के साथ मिलाना शामिल था (जैसे खिड़की खोलने का निर्णय लेने से पहले मौसम ऐप की जांच करना)।
- बेहतर सफलता दर: OmniAct ने पिछले तरीकों की तुलना में कार्यों को बहुत अधिक बार सफलतापूर्वक पूरा किया। जब अन्य रोबोट विफल हुए, तो वे आमतौर पर पूरी तरह से विफल हो गए। OmniAct गलतियों से उबरने और चलते रहने में सक्षम था।
- कुशल मेमोरी: जबकि अन्य प्रणालियों को इतिहास के विशाल डेटा (1,00,000 से अधिक "शब्दों") को स्टोर करने की आवश्यकता थी जिससे वे धीमे हो गए, OmniAct ने अपनी मेमोरी उपयोग को कम और स्थिर रखा, जैसे कि ग्राफ पर एक सीधी रेखा, चाहे कार्य कितने भी लंबे समय तक चला हो।
- छोटे मॉडल्स को सुपरचार्ज करना: सबसे आश्चर्यजनक निष्कर्षों में से एक यह था कि OmniAct एक "मध्यम आकार" के AI मॉडल (जो सस्ता और कम शक्तिशाली है) को एक महंगे, शीर्ष-स्तरीय प्रोप्राइटरी मॉडल के समान प्रदर्शन करने के लिए सक्षम बना सकता है। इसने साबित कर दिया कि एक अच्छा स्ट्रक्चर (तीन-भूमिका वाली टीम) होना अक्सर केवल एक बड़े दिमाग के होने से अधिक महत्वपूर्ण है।
निचोड़
OmniAct दिखाता है कि हमारे साथ रहने और वास्तविक दुनिया की उथल-पुथल को संभालने में सक्षम रोबोट बनाने के लिए, हमें एक विशाल, पूर्ण मस्तिष्क की आवश्यकता नहीं है। इसके बजाय, हमें एक पदानुक्रमित टीम (hierarchical team) की आवश्यकता है जो प्लानिंग, मेमोरी और सुरक्षा जांच को अलग करती है। इन विशिष्ट भागों को एक-दूसरे से बात करने की अनुमति देकर, रोबोट लचीला, कुशल और मानवीय हस्तक्षेप के बिना जटिल, दीर्घकालिक कार्यों को संभालने में सक्षम हो जाता है।
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।