💻 computer science

Vision-Language Procedural Reasoning for Context-Aware Reward Modeling of Robotic Endovascular Guidewire Navigation

यह शोध पत्र एक विजन-लैंग्वेज प्रोसीजरल रीजनिंग (VL-PR) फ्रेमवर्क प्रस्तावित करता है जो वास्तविक समय के शारीरिक संदर्भ (anatomical context) के आधार पर रिवॉर्ड फंक्शन को गतिशील रूप से अनुकूलित करने के लिए एक मल्टीमॉडल लार्ज लैंग्वेज मॉडल का लाभ उठाता है, जिससे जटिल संवहनी वातावरण (vascular environments) में स्वायत्त रोबोटिक गाइडवायर नेविगेशन की विश्वसनीयता और दक्षता में वृद्धि होती है।

मूल लेखक: Wentong Tian, Jiyuan Zhao, Tianliang Yao, Yuxiang Fan, Zhengyu Shi, Dong Liu, Peng Qi

प्रकाशित 2026-07-01

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Wentong Tian, Jiyuan Zhao, Tianliang Yao, Yuxiang Fan, Zhengyu Shi, Dong Liu, Peng Qi

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 मानव शरीर के भीतर पाइपों के एक जटिल, घुमावदार भूलभुलैया में एक छोटे, लचीले सांप (एक गाइडवायर) को चलाने की कोशिश कर रहे हैं। लक्ष्य एक शुरुआती बिंदु से एक विशिष्ट लक्ष्य तक पहुँचना है बिना दीवारों से टकराए या फंस बिना। ऐसा मैन्युअल रूप से करना कठिन है, और यहाँ तक कि रोबोट भी संघर्ष करते हैं क्योंकि हिलने-डुलने के "नियम" लगातार बदलते रहते हैं। कभी-कभी आपको सीधे आगे की ओर तेजी से बढ़ना होता है; अन्य समय में, आपको सड़क के एक मोड़ पर अविश्वसनीय रूप से सावधान होना पड़ता है; और यदि आप दीवार से टकराते हैं, तो आपको तुरंत पीछे हटना पड़ता है।

यह शोध पत्र रोबोट को यह काम सिखाने का एक नया तरीका पेश करता है। वे इसे विज़न-लैंग्वेज प्रोसीजरल रीजनिंग (VL-PR) फ्रेमवर्क कहते हैं। यह कैसे काम करता है, इसके सरल कॉन्सेप्ट्स यहाँ दिए गए हैं:

1. समस्या: रोबोट का "स्थिर" मस्तिष्क (Static Brain)

आमतौर पर, रोबोट ट्रेनिंग एक कुत्ते को नियमों के एक एकल, अपरिवर्तित सेट के साथ सिखाने जैसी होती है। उदाहरण के लिए, "तेजी से आगे बढ़ें" पूरे सफर के लिए एक नियम हो सकता है। लेकिन एक संवहनी (vascular) भूलभुलैया में, यह काम नहीं करता।

समस्या: यदि रोबट एक तीखे मोड़ या पाइप के विभाजन के पास पहुँचते समय तेजी से आगे बढ़ने की कोशिश करता है, तो वह टकरा जाता है। यदि वह एक सीधे, सुरक्षित गलियारे में बहुत धीमा होने की कोशिश करता है, तो वह समय बर्बाद करता है।
पुराना तरीका: अधिकांश रोबोट एक "स्टैटिक रिवॉर्ड" (स्थिर इनाम) का उपयोग करते हैं। उन्हें आगे बढ़ने के लिए अंक मिलते हैं और दीवारों से टकराने पर अंक कट जाते हैं, लेकिन इन अंकों का महत्व कभी बदलता नहीं है। यह एक कार चलाने जैसा है जहाँ गति सीमा हमेशा 60 मील प्रति घंटा होती है, भले ही आप स्कूल ज़ोन में प्रवेश कर रहे हों या हाईवे पर मर्ज हो रहे हों।

2. समाधान: एक दिमाग वाला "को-पायलट"

लेखकों ने रोबोट में एक विशेष "को-पायलट" जोड़ा है। यह को-पायलट एक मल्टीमॉडल लार्ज लैंग्वेज मॉडल (MLLM) है। इसे एक अत्यधिक अनुभवी मानव नेविगेटर के रूप में समझें जो एक्स-रे छवियों (दृष्टि/vision) को देख सकता है और चिकित्सा निर्देशों (भाषा/language) को समझ सकता है।

को-पायलट क्या करता है: यह स्टीयरिंग व्हील नहीं थामता। इसके बजाय, यह रोबोट की यात्रा को देखता है और कहता है, "ठीक है, अभी हम एक सीधे गलियारे में हैं," या "ओह नहीं, हम सड़क के एक मोड़ (fork) पर हैं," या "हम एक दीवार से टकरा गए हैं, हमें पीछे हटने की आवश्यकता है।"
जादू: यह जो कुछ भी देखता है उसे एक "संदर्भ" (context) में अनुवादित करता है। यह रोबोट को बताता है, "अभी, सुरक्षा सबसे महत्वपूर्ण है," या "अभी, गति सबसे महत्वपूर्ण है।"

3. तंत्र (Mechanism): एक "डायनेमिक स्कोरकार्ड"

रोबोट की सीखने की प्रणाली एक "रिवॉर्ड फंक्शन" (स्कोरकार्ड) का उपयोग करती है ताकि यह तय किया जा सके कि क्या करना है।

को-पायलट के बिना: स्कोरकार्ड निश्चित है। "आगे बढ़ना = +10 अंक। दीवार से टकराना = -10 अंक।"
को-पायलट (VL-PR) के साथ: स्कोरकार्ड को-पायलट की सलाह के आधार पर गतिशील रूप से बदलता है।
- सीधे गलियारे में: को-पायलट कहता है, "जाओ!" स्कोरकार्ड बदल जाता है ताकि तेजी से आगे बढ़ने के लिए बड़े अंक दिए जाएं और मामूली सुरक्षा चिंताओं को अनदेखा किया जाए।
- मोड़ (Fork) पर: को-पायलट कहता है, "सावधान रहें।" स्कोरकार्ड बदल जाता है ताकि केंद्र में रहने और दीवारों से बचने के लिए बड़े अंक दिए जाएं, भले ही इसका मतलब धीमी गति हो।
- यदि कोई गलती होती है: को-पायलट कहता है, "पीछे हटें।" स्कोरकार्ड बदल जाता है ताकि पीछे हटने और नुकसान को रोकने के लिए पुरस्कृत किया जाए।

यह रोबोट को पूरे सफर को संभालने के लिए एक ही मस्तिष्क (पॉलिसी) का उपयोग करने की अनुमति देता है, लेकिन यह स्थिति के अनुसार तुरंत अपनी प्राथमिकताओं को बदल देता है, ठीक वैसे ही जैसे एक मानव विशेषज्ञ करता है।

4. परिणाम: एक तेज़, स्मार्ट रोबोट

टीम ने एक भौतिक रोबोट पर परीक्षण किया जो मानव रक्त वाहिकाओं के एक यथार्थवादी प्लास्टिक मॉडल (एक "फैंटम") का उपयोग करता है। उन्होंने तीन अलग-अलग प्रकार के जहाजों (vessels) का परीक्षण किया: कोरोनरी (हृदय), कैरोटिड (गर्दन), और रीनल (गुर्दा)।

सफलता दर: नया तरीका स्पष्ट विजेता था। इसने हृदय और गुर्दे के परिदृश्यों में 100% समय रोबोट को लक्ष्य तक सफलतापूर्वक पहुँचाया, और ट्रिकी गर्दन वाले परिदृश्य में 97%।
तुलना: पुराने रोबोट तरीके (बिना को-पायलट के) केवल लगभग 70% समय सफल होते थे।
दक्षता (Efficiency): नया रोबोट बहुत तेज़ भी था। इसे लक्ष्य तक पहुँचने में कम कदम लगे। उदाहरण के लिए, हृदय परिदृश्य में, इसे लगभग 41 कदम लगे, जबकि पुराने तरीकों को 80 से अधिक कदम लगे। यह ऐसा था जैसे रोबोट ने शॉर्टकट ढूंढ लिया हो क्योंकि वह जानता था कि कब तेज होना है और कब धीमा होना है।

सारांश उपमा (Summary Analogy)

कल्पना कीजिए कि आप एक वीडियो गेम खेल रहे हैं जहाँ नियम हर सेकंड बदलते हैं।

पुराने रोबोट: वे पूरी गति से दौड़ने की कोशिश करते रहते हैं क्योंकि उन्हें उसी के लिए प्रशिक्षित किया गया था। वे मोड़ों पर दीवारों से टकरा जाते हैं।
यह नया रोबोट: इसके पास एक स्मार्ट दोस्त (MLLM) है जो इसके कान में फुसफुसा रहा है। जब रास्ता सीधा होता है, तो दोस्त कहता है, "दौड़ो!" जब रास्ता घुमावदार होता है, तो वह कहता है, "सावधानी से चलो।" जब वह दीवार से टकराता है, तो वह कहता है, "पीछे हटो!"
परिणाम: रोबोट स्तर को तेज़ी से पूरा करता है और कभी नहीं टकराता, पुराने रोबोटों को हरा देता है और यहाँ तक कि एक मानव विशेषज्ञ के समान प्रदर्शन करता है।

शोध पत्र निष्कर्ष निकालता है कि यह "विज़न-लैंग्वेज प्रोसीजरल रीजनिंग" रोबोटिक सर्जरी नेविगेशन को अधिक विश्वसनीय, कुशल और सुरक्षित बनाती है, क्योंकि यह रोबोट को यह समझने की क्षमता देती है कि वह प्रक्रिया में कहाँ है और उसके अनुसार अपना व्यवहार कैसे समायोजित करे।

तकनीकी सारांश: रोबोटिक एंडोवैस्कुलर गाइडवायर नेविगेशन के लिए संदर्भ-जागरूक रिवॉर्ड मॉडलिंग हेतु विजन-लैंग्वेज प्रोसीजरल रीजनिंग

समस्या विवरण
रोबोटिक-असिस्टेड एंडोवैस्कुलर हस्तक्षेपों के लिए जटिल, रोगी-विशिष्ट संवहनी शारीरिक संरचनाओं (vascular anatomies) के माध्यम से गाइडवायर्स का सटीक और स्थिर नेविगेशन आवश्यक है। जबकि सुदृढीकरण शिक्षण (Reinforcement Learning - RL) संवेदी फीडबैक को क्रियान्वयन (actuation) में मैप करने के लिए एक ढांचा बनकर उभरा है, वर्तमान स्वायत्त नेविगेशन विधियां महत्वपूर्ण सीमाओं का सामना करती हैं। अधिकांश मौजूदा दृष्टिकोण पूरे प्रक्रियात्मक निरंतरता (procedural continuum) में अनुकूलित स्थिर रिवॉर्ड फंक्शन पर निर्भर करते हैं। यह स्थिर फॉर्मूलेशन वास्तविक दुनिया के नेविगेशन की विषम, चरण-निर्भर मांगों को संबोधित करने में विफल रहता है, जहाँ परिचालन मोड को गतिशील रूप से बदलना पड़ता है (जैसे, सीधे खंडों में तीव्र प्रगति बनाम द्विभाजन/bifurcations पर रणनीतिक स्टीयरिंग)। इसके अलावा, मौजूदा ढांचे में उच्च-स्तरीय प्रासंगिक तर्क (contextual reasoning) को एकीकृत करने के लिए तंत्र का अभाव है जो चरण-जागरूक फीडबैक प्रदान कर सके, जिससे दीर्घकालिक कार्यों में दक्षता, सुरक्षा और सटीकता के बीच इष्टतम संतुलन बनाने में कमी आती है।

कार्यप्रणाली
इन चुनौतियों को संबोधित करने के लिए, लेखक एक विजन-लैंग्वेज प्रोसीजरल रीजनिंग (VL-PR) फ्रेमवर्क प्रस्तावित करते हैं। यह दृष्टिकोण एक एकीकृत RL पाइपलाइन के भीतर एक मल्टीमॉडल लार्ज लैंग्वेज मॉडल (MLLM) को एक प्रोसीजरल रीजनिंग मॉड्यूल के रूप में एकीकृत करता है। मुख्य नवाचार सीधे निम्न-स्तरीय नियंत्रण कमांड उत्पन्न करने में नहीं है, बल्कि MLLM का उपयोग उच्च-स्तरीय नेविगेशन संदर्भों को निकालने के लिए करने में है जो रिवॉर्ड फंक्शन को गतिशील रूप से अनुकूलित करते हैं।

प्रोसीजरल रीजनिंग मॉड्यूल (MLLM):
- MLLM (विशेष रूप से एक Qwen2.5-VL-3B-Instruct बैकबोन, जिसे 4-bit QLoRA के माध्यम से फाइन-ट्यून किया गया है) वास्तविक समय के मल्टीमॉडल अवलोकनों को प्रोसेस करता है, जिसमें स्थानीय संवहनी चित्र, गाइडवायर टिप कॉन्फ़िगरेशन और ज्यामितीय संकेत (सेंटरलाइन दिशा, वक्रता, द्विभाजन) शामिल हैं।
- यह एक परिभाषित स्पेस $\{cruise, bifurcation, retraction, final\ align\}$ से एक डिस्क्रीट प्रोसीजरल स्टेट $g_t$ का अनुमान लगाता है।
- इस मॉड्यूल को एक्सपर्ट-डेरिव्ड सिमेंटिक लेबल्स का उपयोग करके प्रशिक्षित किया गया है, जिसमें एक लॉस फंक्शन शामिल है जो कैटेगरीकल क्रॉस-एंट्रॉपी, टेम्पोरल कंसिस्टेंसी रेगुलराइजेशन और एंट्रॉपी रेगुलराइजेशन को जोड़ता है ताकि संदिग्ध क्षेत्रों में अत्यधिक आत्मविश्वासी भविष्यवाणियों को रोका जा सके।
संदर्भ-जागरूक रिवॉर्ड अनुकूलन (Context-Aware Reward Adaptation):
- नीतियों को बदलने या पॉलिसी इनपुट को सिमेंटिक वेरिएबल्स के साथ बढ़ाने के बजाय, यह ढांचा एक एकल एकीकृत नियंत्रण नीति (जिसे Soft Actor-Critic, SAC के माध्यम से लागू किया गया है) को बनाए रखता है।
- रिवॉर्ड फंक्शन $r_t$ को चार व्याख्या योग्य घटकों में विभाजित किया गया है: प्रोग्रेस ( $\phi_{prog}$ ), सुरक्षा ( $\phi_{safe}$ ), सेंटरलाइन से विचलन ( $\phi_{dev}$ ), और बेंडिंग स्टेबिलिटी ( $\phi_{bend}$ )।
- MLLM द्वारा अनुमानित प्रोसीजरल डिस्ट्रीब्यूशन $p_\psi(g_t | o_t)$ $p_{ψ} (g_{t} ∣ o_{t})$ एक स्टेट-डिपेंडेंट वेट मैट्रिक्स $W_g(\xi_t)$ $W_{g} (ξ_{t})$ को मॉड्युलेट करता है। यह मैट्रिक्स वर्तमान चरण और एक रिस्क इंडिकेटर $\xi_t$ $ξ_{t}$ के आधार पर रिवॉर्ड घटकों के महत्व को गतिशील रूप से समायोजित करता है।
  - Cruise: दक्षता पर जोर देता है; जोखिम के साथ सुरक्षा दंड (penalties) बढ़ते हैं।
  - Bifurcation: ज्यामितीय संरेखण और स्टीयरेबिलिटी को प्राथमिकता देता है।
  - Retraction: प्रोग्रेस रिवॉर्ड को दबा देता है ताकि दीवार के संपर्क या विफलता के जोखिम अधिक होने पर वापसी को प्रोत्साहित किया जा सके।
  - Final Align: ज्यामितीय सटीकता को प्राथमिकता देता है।
प्रशिक्षण और परिनियोजन (Training and Deployment):
- प्रशिक्षण एक उच्च-फिडेलिटी फिजिक्स-बेस्ड सिमुलेशन (SOFA फ्रेमवर्क) में होता है जो एक भौतिक संवहनी फैंटम के डिजिटल ट्विन के रूप में कार्य करता है।
- सीखा गया पॉलिसी बिना किसी अतिरिक्त फाइन-ट्यूनिंग के एक भौतिक रोबोटिक प्लेटफॉर्म (ALLVAS™ सिस्टम) पर तैनात किया जाता है (जीरो-शॉट परिनियोजन)।
- एक विजुअल परसेप्शन पाइपलाइन (मोनोक्युलर कैमरा फ्रेम्स से गाइडवायर अवस्थाओं का अनुमान लगाने के लिए YOLOv5 डिटेक्शन और U-Net सेगमेंटेशन) वास्तविक समय में स्टेट ऑब्जर्वेशन प्रदान करती है।

प्रमुख योगदान

VL-PR फ्रेमवर्क: जटिल संवहनी शारीरिक संरचनाओं में बुद्धिमान निर्णय लेने की सुविधा के लिए उच्च-स्तरीय मल्टीमॉडल रीजनिंग और RL के बीच सेतु बनाने वाले एक फ्रेमवर्क की स्थापना।
संदर्भ-जागरूक रिवॉर्ड अनुकूलन: अनुमानित प्रोसीजरल स्टेट्स के आधार पर प्रतिस्पर्धी उद्देश्यों (जैसे, ट्रैवर्सल दक्षता और सुरक्षा-महत्वपूर्ण सटीकता के बीच संतुलन बनाना) को गतिशील रूप से प्राथमिकता देने की रणनीति का परिचय।
भौतिक सत्यापन: भौतिक रोबोटिक सिस्टम पर प्रदर्शन जो यह सिद्ध करता है कि प्रोसीजरल रीजनिंग यथार्थवादी संवहनी फैंटम और चुनौतीपूर्ण शारीरिक संरचनाओं में कार्य विश्वसनीयता और नेविगेशनल दक्षता को बढ़ाता है।

प्रायोगिक परिणाम
फ्रेमवर्क का मूल्यांकन तीन अलग-अलग संवहनी परिदृश्यों में किया गया: कोरोनरी, कैरोटिड और रीनल इंटरवेंशन।

सफलता दर (Success Rate): प्रस्तावित VL-PR विधि ने कोरोनरी और रीनल इंटरवेंशन में 100% सफलता दर और कैरोटिड इंटरवेंशन में 97% सफलता प्राप्त की। इसने मानक RL बेसलाइन्स (SAC, PPO, TD3, DDPG) को काफी पीछे छोड़ दिया, जिनकी सफलता दर 60% से 73% के बीच थी। इसका प्रदर्शन विशेषज्ञ मैनुअल ऑपरेशन (93–100%) के बराबर था।
दक्षता: विधि ने औसत नेविगेशन स्टेप्स की संख्या को काफी कम कर दिया। कोरोनरी नेविगेशन के लिए, प्रस्तावित विधि को 41.6 स्टेप्स की आवश्यकता थी, जबकि मानक SAC के लिए 80.6 स्टेप्स लगे (48.4% की कमी)।
एब्लेशन (Ablation): MLLM रीजनिंग मॉड्यूल को हटाने (एक नियम-आधारित बेसलाइन का उपयोग करके) से प्रदर्शन में गिरावट आई, जिससे सफलता दर घटकर 73–77% रह गई और स्टेप काउंट काफी बढ़ गया, जो संदर्भ-जागरूक रिवॉर्ड अनुकूलन की महत्वपूर्ण भूमिका की पुष्टि करता है।
रीजनिंग सटीकता: MLLM ने प्रोसीजरल स्टेट क्लासिफिकेशन की सटीकता 91.2% और 94.0% के बीच प्राप्त की, जो नियम-आधारित बेसलाइन्स (22–27%) से कहीं बेहतर है।

महत्व और दावे
यह पेपर दावा करता है कि VL-PR फ्रेमवर्क एक एकल नीति को प्रतिस्पर्धी उद्देश्यों को हल करने और एक सुसंगत वैश्विक कार्य लक्ष्य को बनाए रखने में सक्षम बनाकर जटिल, मल्टी-टास्क रोबोटिक एंडोवैस्कुलर प्रक्रियाओं के लिए एक स्केलेबल समाधान प्रदान करता है। उच्च-स्तरीय प्रोसीजरल रीजनिंग को निम्न-स्तरीय मोशन कंट्रोल से अलग करके, यह दृष्टिकोण प्रशिक्षण और परिनियोजन के बीच निरंतरता सुनिश्चित करता है और विविध एनाटॉमी में मजबूती (robustness) में सुधार करता है। लेखक का तर्क है कि यह विधि स्थिर-रिवॉर्ड विधियों की तुलना में कार्य विश्वसनीयता को बढ़ाती है और नेविगेशनल दक्षता को सुव्यवस्थित करती है, जो वास्तविक दुनिया के संवहनी नेविगेशन की विविध चुनौतियों के अनुकूल होने वाले अधिक स्वायत्त और बुद्धिमान हस्तक्षेपों की ओर एक मार्ग प्रशस्त करती है। भविष्य के कार्य को समृद्ध संरचित प्रस्तुतियों (structured representations) तक रीजनिंग का विस्तार करने, सिम-टू-रियल सामान्यीकरण में सुधार करने और औपचारिक सुरक्षा बाधाओं को शामिल करने के रूप में पहचाना गया है।

1. समस्या: रोबोट का "स्थिर" मस्तिष्क (Static Brain)

2. समाधान: एक दिमाग वाला "को-पायलट"

3. तंत्र (Mechanism): एक "डायनेमिक स्कोरकार्ड"

4. परिणाम: एक तेज़, स्मार्ट रोबोट

सारांश उपमा (Summary Analogy)

इसी तरह के और पेपर