Vision-Language-Action Models: Experimental Insights from a Real-World UR5 Platform
यह शोध पत्र एक वास्तविक दुनिया के UR5e रोबोट पर विजन-लैंग्वेज-एक्शन मॉडल्स के हस्तांतरण की जांच करता है, जो यह प्रकट करता है कि सफल तैनाती मॉडल क्षमता पर कम और ऑफलाइन संकेतकों तथा भौतिक स्थिरता के बीच के अंतर को दूर करने के लिए संपूर्ण डेटा-मॉडल-कंट्रोल पाइपलाइन के सटीक एकीकरण पर अधिक निर्भर करती 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 आपके पास एक बहुत ही समझदार, पढ़ाकू रोबोटिक हाथ (एक UR5e) है, और आप उसे घर के काम करना सिखाना चाहते हैं, जैसे कि सेब उठाना और उसे एक कटोरे में रखना। आप एक "विज़न-लैंग्वेज-एक्शन" (VLA) मॉडल का उपयोग करने का निर्णय लेते हैं। इन मॉडलों को एक सुपर-इंटेलिजेंट अनुवादक के रूप में सोचें जो एक तस्वीर देखता है, एक वाक्य पढ़ता है जैसे "सेब को कटोरे में रखें," और तुरंत रोबोट की मांसपेशियों को बताती है कि उसे बिल्कुल कैसे हिलना है।
यह शोध पत्र वास्तव में इंजीनियरों की एक टीम की रिपोर्ट कार्ड है जिन्होंने यह कोशिश की कि कैसे इन फैंसी, हाई-टेक मॉडलों को कंप्यूटर सिमुलेशन की "परफेक्ट दुनिया" से निकालकर एक वास्तविक कार्यालय में असली रोबोट पर लाया जाए। यहाँ उन्होंने क्या पाया, इसे सरल भाषा में समझाया गया है:
मुख्य विचार: यह सिर्फ दिमाग के बारे में नहीं है
टीम ने एक सामान्य विश्वास के साथ शुरुआत की: "यदि हम बस एक स्मार्ट दिमाग (एक बेहतर AI मॉडल) प्राप्त कर लें, तो रोबोट बेहतर काम करेगा।" उन्होंने दो विशिष्ट "दिमागों" का परीक्षण किया: OpenVLA (मूल संस्करण) और OpenVLA-OFT (एक नया, अनुकूलित संस्करण)।
हालाँकि, उनका मुख्य निष्कर्ष इस विचार को पूरी तरह उलट देता है। उन्होंने पाया कि समस्या दिमाग नहीं है; बल्कि पूरा शरीर और वातावरण है। यह एक विश्व प्रसिद्ध शेफ (AI) को देने जैसा है लेकिन उसके पास एक टूटा हुआ ओवन, एक कुंद चाकू और एक ऐसी रेसिपी है जो ऐसी भाषा में लिखी गई है जिसे वह केवल आधा समझता है। चाहे शेफ कितना भी अच्छा क्यों न हो, भोजन सही नहीं बनेगा।
प्रयोग: क्या हुआ?
1. "परफेक्ट" टेस्ट (ऑफलाइन चेक)
सबसे पहले, उन्होंने एक "सुरक्षित क्षेत्र" में AI का परीक्षण किया जिसमें वह डेटा पहले से मौजूद था जिसे उसने देखा था। यह शेफ को वही व्यंजन बनाने के लिए कहने जैसा था जो उसने हज़ार बार बनाया है।
- परिणाम: रोबलेट सही दिशा में चला, लेकिन वह बहुत डरपोक था। वह केवल 60-70% उतना ही चला जितना उसे चलना चाहिए था।
- रूपक: कल्पना कीजिए कि आप एक रोबोट को 10 कदम चलने के लिए कहते हैं, और वह 6 छोटे, हिचकिचाते हुए कदम चलता है। मॉडल ने चलने के विचार को तो समझा लेकिन स्केल (पैमाने) को गलत समझ लिया क्योंकि डेटा कैसे फॉर्मेट किया गया था।
2. "वास्तविक दुनिया" का टेस्ट (जीरो-शॉट)
इसके बाद, उन्होंने रोबोट को बिना किसी अतिरिक्त प्रशिक्षण के, केवल अपने मौजूदा ज्ञान का उपयोग करके, वास्तविक कार्यालय में काम करने दिया।
- परिणाम: रोबोट जम गया। वह हिलना शुरू करता, फिर रुक जाता, फिर शुरू होता, लेकिन वह कार्य को कभी पूरा नहीं कर पाता। उसे इस बात की परवाह नहीं थी कि आपने सेब को हिला दिया है; वह बस उसी सख्त गति को दोहराता रहा।
- रूपक: यह एक ऐसे GPS की तरह है जो लूप में फंस गया है। भले ही आप कहें "बाएं जाओ," वह सीधा चलने की कोशिश करता रहता है क्योंकि वह वास्तविक दुनिया की रोशनी और छाया से भ्रमित है।
3. "प्रशिक्षण" टेस्ट (फाइन-ट्यूनिंग)
उन्होंने इसे सुधारने के लिए रोबोट को हजारों वीडियो दिखाए जिनमें इंसान काम (जैसे सेब उठाना) कर रहे थे ताकि वह विशेष रूप से उनके कार्यालय के लिए सीख सके।
- OpenVLA (मूल संस्करण): रोबोट ने कागज़ पर उन वीडियो की नकल करना बखूबी सीख लिया। लेकिन जब उन्होंने परीक्षण किया, तो रोबोट ने कैमरा इमेज को पूरी तरह से अनदेखा कर दिया। यह उस छात्र की तरह था जिसने परीक्षा के उत्तर रट लिए लेकिन अलग नंबरों के साथ समान समस्या हल नहीं कर सका। वह प्रशिक्षण डेटा के "पैटर्न" पर इतना केंद्रित था कि उसने वास्तविक वस्तु को देखना ही बंद कर दिया।
- OpenVLA-OFT (अनुकूलित संस्करण): यह संस्करण अधिक सुचारू था और अधिक स्वाभाविक रूप से चला। हालाँकि, इसमें अभी भी एक घातक दोष था: ड्रिफ्ट (विचलन)। हर बार जब रोबोट ने एक छोटी सी गलती की, तो अगली चाल उस गलती पर आधारित थी, और त्रुटि बढ़ती गई और अंततः रोबोट पटरी से उतर गया।
- रूपक: "टेलीफोन" के खेल की कल्पना करें। पहला व्यक्ति एक वाक्य फुसफुसाता है और आखिरी व्यक्ति उसे दोहराता है। अनुकूलित मॉडल में, फुसफुसाहट स्पष्ट थी, लेकिन 10वें व्यक्ति तक, संदेश पूरी तरह से गड़बड़ हो गया था। रोबोट अपनी गलतियों को वास्तविक समय में ठीक नहीं कर सका।
4. "सरल रोबोट" टेस्ट (बेसलाइन)
यह साबित करने के लिए कि यह केवल फैंसी AI मॉडल की गलती नहीं थी, उन्होंने एक बहुत ही सरल, पुराने शैली के रोबोट कंट्रोलर (एक बुनियादी इमिटेशन लर्नर) का निर्माण किया।
- परिणाम: आश्चर्यजनक रूप से, इस "मूर्ख" रोबोट ने फैंसी AI मॉडलों की तुलना में ट्रैक पर रहने में बेहतर काम किया।
- सबक: इससे सिद्ध हुआ कि विफलता इसलिए नहीं थी कि AI मॉडल बहुत जटिल थे; बल्कि यह इसलिए थी क्योंकि पूरा सिस्टम (डेटा कैसे एकत्र किया जाता है, रोबोट कैसे चलता है, और AI को कैसे प्रशिक्षित किया जाता है) आपस में मेल नहीं खा रहा था।
मुख्य निष्कर्ष
- डेटा ही राजा (और रानी) है: डेटा कैसे एकत्र किया गया, यह मॉडल से अधिक महत्वपूर्ण था। यदि रोबोट को एकदम सटीक, रोबोटिक गतिविधियों के साथ सिखाया गया, तो वह अव्यवस्थित वास्तविक दुनिया को नहीं संभाल सका। यदि उसे मानव द्वारा रोबोटिक हाथ को हाथ से हिलाकर सिखाया गया (जो अधिक अव्यवस्थित है लेकिन स्वाभाविक है), तो उसने बेहतर सीखा।
- "ड्रिफ्ट" की समस्या: सबसे बड़ी समस्या यह है कि ये मॉडल एक समय में एक कदम की भविष्यवाणी करते हैं। यदि आप चरण 1 में एक छोटी सी गलती करते हैं, तो चरण 2 गलत होगा, चरण 3 और भी खराब होगा, और जल्द ही रोबोट खो जाएगा। मॉडलों में कोई अंतर्निहित "सुधार तंत्र" नहीं है जो यह कह सके, "रुको, मैं पटरी से उतर गया हूँ, मुझे इसे ठीक करने दो।"
- यह एक सिस्टम की समस्या है: आप केवल एक बेहतर AI मॉडल नहीं खरीद सकते और उम्मीद नहीं कर सकते कि रोबोट काम करेगा। आपको कैमरा, रोबोट के चलने का तरीका, डेटा को कैसे साफ किया जाता है, और रोबोट को कैसे प्रशिक्षित किया जाता है, इन सभी को एक साथ ठीक करना होगा।
निचोड़
शोध पत्र यह निष्कर्ष निकालता है कि वास्तविक दुनिया में रोबोटों को काम करने के लिए केवल एक स्मार्ट "दिमाग" बनाने की कोशिश करना पर्याप्त नहीं है। यह एक बेहतर "शरीर" और एक बेहतर "तंत्रिका तंत्र" बनाने के बारे में है जो मस्तिष्क को मांसपेशियों से जोड़ता है। जब तक हम यह ठीक नहीं करते कि डेटा, प्रशिक्षण और भौतिक रोबोट एक-दूसरे से कैसे बात करते हैं, तब तक सबसे स्मार्ट AI भी सेब को गिराए बिना उठाने के लिए संघर्ष करेगा।
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।