💻 computer science

Understanding and Mitigating the Video-Action Generalization Gap via Temporal Ratio

यह शोध पत्र रोबोटिक मॉडलों में "वीडियो-एक्शन जनरलाइजेशन गैप" की पहचान करता है, यह समझाने के लिए 'टेम्पोरल रेशियो' मीट्रिक पेश करता है कि भविष्य के अनुमानों पर निर्भरता कंपोजिशनल जनरलाइजेशन को कैसे प्रभावित करती है, और एक इन्फरेंस-टाइम एडेप्टिव गाइडेंस विधि प्रस्तावित करता है जो इस अंतर्दृष्टि का लाभ उठाकर LIBERO जैसे बेंचमार्क और वास्तविक दुनिया के कार्यों पर आउट-ऑफ-डिस्ट्रीब्यूशन प्रदर्शन में महत्वपूर्ण सुधार करता है।

मूल लेखक: Utkarsh A. Mishra, Yongxin Chen, Danfei Xu, Yang Liu, Xi Chen, Jiayuan Mao

प्रकाशित 2026-07-10

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC0 1.0

मूल लेखक: Utkarsh A. Mishra, Yongxin Chen, Danfei Xu, Yang Liu, Xi Chen, Jiayuan Mao

मूल पेपर CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/) के तहत सार्वजनिक डोमेन को समर्पित 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 सुपर-स्मार्ट रोबोट है जिसने इंटरनेट पर लाखों घंटों के वीडियो देखकर चलना-फिरना सीखा है। वह जानता है कि चीजें कैसे गिरती हैं, तरल पदार्थ कैसे गिरते हैं, और चीजें आपस में कैसे जुड़ती हैं। आप सोचेंगे कि यह रोबोट कुछ भी संभाल सकता है, है ना? लेकिन यहाँ एक गड़बड़ी है: जब आप इसे कोई नया, थोड़ा अजीब संयोजन वाला कार्य करने के लिए कहते हैं जिसे इसने पहले नहीं देखा है, तो यह अक्सर जम जाता है या गड़बड़ कर देता है।

इस पेपर के लेखक इस घटना को "वीडियो-एक्शन जनरलाइजेशन गैप" (Video-Action Generalization Gap) कहते हैं। यह ऐसा है जैसे रोबोट की कल्पना तो बहुत अच्छी है (वीडियो से), लेकिन जब उसे वास्तव में अपने हाथ चलाने होते हैं, तो वह भूल जाता है कि उसका उपयोग कैसे करना है।

बड़ा रहस्य: रोबोट क्यों भूल जाता है?

शोधकर्ताओं ने रोबोट के दिमाग में कई अलग-अलग तरीकों से बदलाव करके इसे ठीक करने की कोशिश की। उन्होंने पूछा: क्या इससे फर्क पड़ता है कि हम रोबोट को पूरा वीडियो शुरू से सिखाते हैं, या बस थोड़ा सा? क्या इससे फर्क पड़ता है कि हम उसे हिलना सीखने के दौरान वीडियो दिखाते हैं, या बाद में?

उन्होंने बहुत सारे संयोजनों का परीक्षण किया, लेकिन परिणाम बहुत उलझे हुए थे। कुछ सेटअप परिचित कार्यों के लिए बहुत अच्छे थे लेकिन नए कार्यों में विफल रहे; अन्य इसके विपरीत थे। कोई स्पष्ट "जादुई स्विच" नहीं था जो सब कुछ ठीक कर सके। यह एक तूफान में रेडियो ट्यून करने जैसा था; सिग्नल बार-बार बदल रहा था।

गुप्त सामग्री: "टेम्पोरल रेश्यो" (Temporal Ratio)

यह पता लगाने के लिए कि क्या गलत हो रहा था, टीम ने एक नया मापने का पैमाना बनाया जिसे टेम्पोरल रेश्यो (TR) कहा गया।

सोचिए कि रोबोट के दिमाग में दो मोड हैं:

"यहाँ और अभी" मोड (The "Here and Now" Mode): यह मेज की वर्तमान तस्वीर को देखता है और तुरंत प्रतिक्रिया करता है (जैसे गेंद को पकड़ना)।
"भविष्य की कल्पना" मोड (The "Future Imagination" Mode): यह अपनी आँखें बंद करता है और कल्पना करता है कि आगे क्या होगा (जैसे कपों का टावर बनाने की योजना बनाना)।

टेम्पोरल रेश्यो (TR) यह मापता है कि रोबोट का "एक्शन ब्रेन" अपने भविष्य की कल्पना पर कितना भरोसा करता है बनाम वर्तमान तस्वीर पर।

यहाँ बड़ी खोज हुई:

जब रोबोट नए, कठिन कार्यों में सफल होता है: उसका "एक्शन ब्रेन" अपनी भविष्य की कल्पना पर बहुत अधिक निर्भर होता है। वह क्या करना है यह समझने के लिए भविष्य के अनुमान पर ध्यान देता है।
जब रोबोट विफल होता है: वह भविष्य को देखना बंद कर देता है और बस वर्तमान तस्वीर को घूरता रहता है, अपनी बनाई हुई योजना को अनदेखा कर देता है।

यह पेपर दिखाता है कि यह अनुपात केवल एक रैंडम नंबर नहीं है; यह एक भविष्य बताने वाला यंत्र (crystal ball) है। यदि किसी कार्य के "योजना बनाने" वाले हिस्से (जैसे यह तय करना कि कौन सा कप उठाना है) के दौरान रोबोट का टेम्पोरल रेश्यो अधिक है, तो उसके सफल होने की संभावना है। यदि यह अनुपात बहुत कम हो जाता है, तो रोबोट वर्तमान में फंस जाता है और सामान्यीकरण (generalize) करने में विफल रहता है।

"आहा!" क्षण: समय ही सब कुछ है

शोधकर्ताओं ने यह भी गौर किया कि रोबोट इन मोड का उपयोग कब करता है।

प्लानिंग फेज (योजना चरण): जब रोबले को यह तय करने की आवश्यकता होती है कि क्या करना है (जैसे, "लाल कप उठाओ और उसे नीले बॉक्स में रखो"), तो टेम्पोरल रेश्यो बढ़ जाता है। वह अपनी कल्पना की ओर झुकता है।
प्रिसिजन फेज (सटीकता चरण): जब रोबोट को कुछ नाजुक काम करना होता है (जैसे, वास्तव में कप को पकड़ना या उसे रखना), तो टेम्पोरल रेश्यो कम हो जाता है। वह सटीक होने के लिए "यहाँ और अभी" मोड में स्विच करता है।

इसका मतलब है कि रोबोट को योजना बनाने के लिए अपनी कल्पना का उपयोग करना चाहिए, लेकिन फिर क्रियान्वयन के लिए वास्तविकता की ओर स्विच करना चाहिए। समस्या यह थी कि कई रोबोट या तो एक ही मोड में फंसे रहते थे या दूसरे में, या गलत समय पर स्विच करते थे।

समाधान: "एडाप्टिव गाइडेंस" (Adaptive Guidance)

चूंकि वे जानते थे कि रोबोट को अपनी कल्पना का उपयोग केवल प्लानिंग के दौरान करना चाहिए, इसलिए टीम ने TR-Adaptive Guidance नामक एक नया टूल बनाया।

कल्पना कीजिए कि एक कोच रोबोट के बगल में खड़ा है।

जब रोबोट प्लानिंग कर रहा होता है (उच्च टेम्पोरल रेश्यो), तो कोच चिल्लाता है, "हे! अपनी कल्पना का उपयोग करो! अपनी योजना याद रखो!" कोच रोबोट के भविष्य के अनुमानों को बढ़ाता है।
जब रोबोट पकड़ (grasping) रहा होता है (कम टेम्पोरल रेश्यो), तो कोच शांत रहता है। "बस कप को देखो। ज्यादा मत सोचो।"

यह तरीका रोबोट को कल्पना करने के लिए मजबूर नहीं करता है; यह केवल कल्पना की आवाज़ को ठीक उसी समय तेज करता है जब रोबोट सुनने के लिए तैयार होता है।

परिणाम: क्या यह काम कर गया?

टीम ने LIBERO नामक कंप्यूटर सिमुलेशन पर और एक वास्तविक दो-हाथों वाले रोबोट (एक बामानुअल YAM सेटअप) पर इसका परीक्षण किया।

सिमुलेशन में: पुराने तरीकों के साथ नए, मिश्रित-जुड़े हुए कार्यों (Out-of-Distribution या OOD) को संभालने की रोबोट की क्षमता लगभग 9.4% से बढ़कर उनके नए एडेप्टिव मेथड के साथ 59.4% हो गई। यह एक बहुत बड़ी छलांग है!
वास्तविक दुनिया में: वास्तविक रोबोट पर, कठिन नए कार्यों के लिए सफलता दर (बिना गाइड के) 71.7% से बढ़कर (गाइड के साथ) 83.3% हो गई।

यह पेपर स्पष्ट रूप से इस विचार को खारिज करता है कि केवल वीडियो भविष्यवाणियों को लंबा या अधिक स्पष्ट बनाना ही काफी है। उन्होंने पाया कि भले ही वीडियो मॉडल एक आदर्श भविष्य की भविष्यवाणी करे, लेकिन रोबोट फिर भी विफल हो जाएगा यदि उसका "एक्शन हेड" उस भविष्य को अनदेखा कर देता है। मुख्य बात केवल एक योजना रखना नहीं है; बल्कि सही समय पर उस योजना को सुनना है।

निष्कर्ष

यह पेपर सुझाव देता है कि रोबोट को स्मार्ट बनाने का रहस्य केवल उन्हें अधिक डेटा या बड़े दिमाग देना नहीं है। यह उन्हें यह सिखाने के बारे में है कि कब सपने देखने हैं और कब जागना है। यह मापकर कि रोबोट अपनी भविष्य की कल्पना पर कितना भरोसा करता है (टेम्पोरल रेश्यो) और प्लानिंग फेज के दौरान उस भरोसे को बढ़ाकर, हम रोबोट को नई, अजीब स्थितियों को बेहतर ढंग से संभालने में मदद कर सकते हैं।

यह अभी तक कोई पूर्ण समाधान नहीं है—पेपर नोट करता है कि यदि रोबोट की कल्पना गलत है, तो उसे बढ़ावा देने से चीजें और खराब हो सकती हैं—लेकिन यह वीडियो देखने और वास्तव में काम करने के बीच के अंतर को पाटने की दिशा में एक बड़ा कदम है।

तकनीकी सारांश: टेम्पोरल रेश्यो (Temporal Ratio) के माध्यम से वीडियो-एक्शन जनरलाइजेशन गैप को समझना और कम करना

1. समस्या विवरण

जेनरेटिव वीडियो फाउंडेशन मॉडल्स (VFMs) में इंटरनेट-स्केल डेटा से प्राप्त मजबूत कंपोजिशनल प्रायर्स (compositional priors) होते हैं, जो उन्हें टेम्पोरल कोहेरेंस (temporal coherence), ऑब्जेक्ट इंटरैक्शन और फिजिकल प्लासिबिलिटी (physical plausibility) को समझने में सक्षम बनाते हैं। हालांकि, जब इन मॉडल्स को रोबोटिक कंट्रोल के लिए वर्ल्ड-एक्शन मॉडल्स (WAMs) या वीडियो-एक्शन मॉडल्स (VAMs) के रूप में अनुकूलित किया जाता है, तो वे अक्सर रोबोटिक एक्शन डेटा पर फाइनट्यूनिंग के बाद अपनी कंपोजिशनल जनरलाइजेशन क्षमताओं को खो देते हैं। लेखक इस विसंगति को वीडियो-एक्शन जनरलाइजेशन (VAG) गैप कहते हैं।

मौजूदा पॉलिसियाँ अक्सर कंपोजिशनल जनरलाइजेशन (जैसे, देखे गए ऑब्जेक्ट्स और रिसेप्टेकल्स को अनदेखे टास्क सीक्वेंस में पुनर्संयोजित करना) के तहत विफल हो जाती हैं क्योंकि वे जेनेरेटिव प्रायर्स का लाभ उठाने के बजाय प्रशिक्षण डेटा में मौजूद विजुअल कोरिलेशन (visual correlations) पर ओवरफिट हो जाती हैं। हालांकि VAMs के लिए मानक डिजाइन विकल्पों (जैसे, जॉइंट ट्रेनिंग बनाम टू-स्टेज ट्रेनिंग, या अलग-अलग नॉइज़ लेवल्स) को तलाशा गया है, लेकिन वे एक खंडित प्रदर्शन परिदृश्य प्रस्तुत करते हैं जिसमें यह स्पष्ट नहीं होता कि क्यों कुछ कॉन्फ़िगरेशन आउट-ऑफ-डिस्ट्रीब्यूशन (OOD) परिदृश्यों में सफल होते हैं और कुछ विफल।

2. कार्यप्रणाली (Methodology)

2.1 व्यवस्थित डिजाइन स्पेस विश्लेषण

लेखकों ने व्यवस्थित रूप से VAMs के एक वर्ग का मूल्यांकन किया जो प्री-ट्रेन्ड वीडियो फाउंडेशन मॉडल्स (विशेष रूप से Cosmos-Predict 2.5-2B) से लेटेंट फीचर्स का उपयोग करते हैं और फ्लो मैचिंग (flow matching) के माध्यम से एक लेटेंट इनवर्स-डायनेमिक्स एक्शन हेड सीखते हैं। उन्होंने दो प्राथमिक अक्षों पर डिजाइन स्पेस का अन्वेषण किया:

ट्रेनिंग-टाइम कॉन्फ़िगरेशन: पैरामीटर-एफिशिएंट अडैप्टेशन (LoRA) बनाम फुल फाइनट्यूनिंग, और जॉइंट ट्रेनिंग (वीडियो और एक्शन लॉस को एक साथ ऑप्टिमाइज़ करना) बनाम टू-स्टेज ट्रेनिंग (पहले बैकबोन को फाइनट्यून करना, फिर उसे एक्शन हेड ट्रेनिंग के लिए फ्रीज करना)।
इन्फरेंस-टाइम पैरामीटर्स: वह वीडियो नॉइज़ लेवल ( $\sigma_v$ ) जिस पर फीचर्स निकाले जाते हैं, और प्रेडिक्शन होराइजन ( $T$ )।

विश्लेषण से पता चला कि जबकि इन-डिस्ट्रीब्यूशन (ID) प्रदर्शन अक्सर सैचुरेटेड था, OOD प्रदर्शन इन विकल्पों के प्रति अत्यधिक संवेदनशील था, फिर भी कोई भी एकल कॉन्फ़िगरेशन लगातार इस गैप को भरने में सफल नहीं रहा।

2.2 टेम्पोरल रेश्यो (TR)

इन विफलता मोड को समझाने के लिए, लेखकों ने टेम्पोरल रेश्यो (TR) पेश किया, जो एक अटेंशन-आधारित मीट्रिक है जो यह मापता है कि एक्शन हेड एंकर किए गए वर्तमान फ्रेम की तुलना में प्रेडिक्टेड फ्यूचर लेटेंट रोलआउट्स पर कितनी मजबूती से निर्भर करता है।

परिभाषा: TR की गणना एक्शन हेड द्वारा फ्यूचर फ्रेम टोकन्स ( $V_+$ ) बनाम करंट फ्रेम टोकन्स ( $V_0$ ) को दिए गए अटेंशन मास के अनुपात के रूप में की जाती है:
$TR = \frac{\sum_{q \in A} \sum_{v \in V_+} A^\ell(q,v)}{\sum_{q \in A} \sum_{v \in V_0} A^\ell(q,v)}$
जहाँ $A$ एक्शन टोकन्स को दर्शाता है और $\ell$ एक्शन हेड में एक विशिष्ट लेयर है।
भौतिक व्याख्या (Physical Interpretation): वीडियो डिनोइजिंग फॉर्मुलेशन में, पहले फ्रेम ( $t=0$ ) को हर स्टेप पर एक क्लीन, हाई-फिडेलिटी ऑब्जर्वेशन एंकर के रूप में इंजेक्ट किया जाता है। फ्यूचर फ्रेम्स नॉइज़ी लेटेंट्स से डिनोइज़ किए जाते हैं और मॉडल के "कल्पित" विकास (imagined evolution) का प्रतिनिधित्व करते हैं। एक उच्च TR यह संकेत देता है कि पॉलिसी इन कल्पित भविष्यों के आधार पर योजना बना रही है; एक कम TR यह दर्शाता है कि पॉलिसी तत्काल ऑब्जर्वेशन पर प्रतिक्रिया दे रही है।

2.3 TR पर मुख्य अवलोकन

प्रेडिक्टिव पावर: TR सीधे तौर पर कंपोजिशनल जनरलाइजेशन क्षमता के प्रेडिक्टर के रूप में कार्य करता है। प्लानिंग फेज के दौरान उच्च TR वाले मॉडल्स का OOD सफलता के साथ बेहतर सहसंबंध होता है।
टास्क फेज डायनेमिक्स: TR स्थिर नहीं है; यह टास्क फेज के आधार पर उतार-चढ़ाव करता है। यह "प्लानिंग फेज" (जैसे, ऑब्जेक्ट या रिसेप्टेकल का चयन करना) के दौरान बढ़ता है जहाँ पॉलिसी को भाषा और लक्ष्यों को भविष्य की अवस्थाओं के साथ जोड़ना होता है। यह "प्रिसाइज मैनिपुलेशन फेज" (जैसे, ग्रैस्पिंग या प्लेसमेंट) के दौरान गिर जाता है जहाँ पॉलिसी को सटीकता के लिए वर्तमान फ्रेम से जुड़ना आवश्यक होता है।
विफलता मोड डायग्नोसिस: VAG गैप अक्सर एक मिसमैच से उत्पन्न होता है: वीडियो बैकबोन एक सही कंपोजिशनल भविष्य की भविष्यवाणी कर सकता है, लेकिन एक्शन हेड उसे अनदेखा (कम TR) कर देता है और एक मेमोराइज्ड ID ट्रेजेक्टरी का पालन करता है। इसके विपरीत, यदि TR उच्च है लेकिन वीडियो प्रेडिक्शन खराब है, तो एक्शन हेड एक मतिभ्रम (hallucinated) भविष्य का अनुसरण कर सकता है।

2.4 TR-एडैप्टिव गाइडेंस

इन निष्कर्षों के आधार पर, लेखक एक इन्फरेंस-टाइम एडैप्टिव गाइडेंस विधि प्रस्तावित करते हैं जो गतिशील रूप से उन क्षणों में कंपोजिशनल वीडियो कंडीशनिंग सिग्नल्स को बढ़ाता है जब पॉलिसी फ्यूचर रोलआउट्स पर निर्भर करती है।

तंत्र (Mechanism): यह विधि दो काउंटरफैक्चुअल गाइडेंस दिशाओं की गणना करती है:
1. लैंग्वेज गाइडेंस: कंडीशनल बनाम नुल-टेक्स्ट (null-text) वीडियो फीचर्स की तुलना करके इंस्ट्रक्शन-डिपेंडेंट एक्शन वेलोसिटी को आइसोलेट करता है।
2. प्लान गाइडेंस: स्टैंडर्ड होराइजन फीचर्स बनाम एक्सटेंडेड-होराइजन फीचर्स की तुलना करके लॉन्ग-होरिज़न टेम्पोरल स्ट्रक्चर को आइसोलेट करता है।
एडैप्टिव स्केलिंग: इन गाइडेंस सिग्नल्स की ताकत ( $w_{lang}, w_{plan}$ ) को वर्तमान TR के आधार पर गतिशील रूप से स्केल किया जाता है। जब TR एक एपिसोड बेसलाइन से ऊपर जाता है (जो प्लानिंग फेज का संकेत है) तो वेट बढ़ जाता है और इसे ओवर-गाइडेंस से बचने के लिए कैप किया जाता है। यह मॉडल को प्लानिंग के दौरान कंपोजिशनल रीजनिंग का लाभ उठाने और मैनिपुलेशन के दौरान लोकल प्रिसिजन बनाए रखने के लिए गाइडेंस को ढीला करने की अनुमति देता है।

3. मुख्य परिणाम

3.1 सिमुलेशन (LIBERO बेंचमार्क)

LIBERO सूट्स (Spatial, Object, Goal, Long) और उनके कंपोजिशनल OOD समकक्षों पर मूल्यांकन:

बेसलाइन प्रदर्शन: पूर्ववर्ती WAMs और VAMs ने संतृप्त ID प्रदर्शन (>95%) दिखाया लेकिन OOD परिदृश्यों में विफल रहे (अक्सर <15% सफलता)।
डिजाइन स्पेस निष्कर्ष: LoRA के साथ जॉइंट ट्रेनिंग और इंटरमीडिएट वीडियो नॉइज़ लेवल्स ( $\sigma_v \approx 0.883$ ) ने सर्वश्रेष्ठ अनगाइडेड OOD प्रदर्शन (55.7% औसत) दिया।
TR-एडैप्टिव गाइडेंस का प्रभाव: प्रस्तावित विधि ने औसत OOD सफलता को 59.4% तक सुधार दिया, जो कि पूर्ववर्ती VAM बेसलाइन्स की तुलना में >5 गुना सुधार है, जबकि ID प्रदर्शन को सर्वश्रेष्ठ अनगाइडेड मॉडल्स के समान बनाए रखा। फ्लैट गाइडेंस (बिना TR अडैप्टेशन के) ने ID प्रदर्शन को कम कर दिया, जो फेज-अवेयर गाइडेंस की आवश्यकता की पुष्टि करता है।

3.2 रियल-वर्ल्ड इवैल्यूएशन (Bimanual YAM)

एक द्विपक्षीय (bimanual) रोबोट द्वारा 24 मल्टी-टास्क परिदृश्यों (डिशेज, स्नैक्स, बॉटल्स आदि) के साथ कंपोजिशनल OOD टेस्ट सीन्स में मूल्यांकन:

प्रदर्शन: प्रस्तावित VAM ने बेसलाइन्स ( $\pi_0, \pi_0.5, \text{Cosmos-Policy}$ ) को पछाड़ दिया।
गाइडेंस प्रभावकारिता: एडैप्टिव गाइडेंस ने औसत सफलता दर को 71.7% (अनगाइडेड) से बढ़ाकर 83.3% कर दिया।
मानक दृष्टिकोण की विफलता: पूरी तरह से नॉइजी स्टेप ( $\sigma_v=1.0$ ) पर फीचर्स निकालना, जैसा कि पूर्ववर्ती VAMs में किया जाता है, वास्तविक दुनिया के कार्यों पर लगभग शून्य सफलता का परिणाम रहा, जो स्ट्रक्चर्ड, पार्शियली डिनोइज़्ड लेटेंट्स की आवश्यकता को रेखांकित करता है।

4. महत्व और दावे

यह पेपर दावा करता है कि VAG गैप केवल अपर्याप्त डेटा या मॉडल क्षमता का परिणाम नहीं है, बल्कि एक मैकेनिकल मुद्दा है कि एक्शन हेड सूचना को कैसे रूट करता है (वर्तमान ऑब्जर्वेशन और प्रेडिक्टेड फ्यूचर्स के बीच)।

डायग्नोस्टिक टूल: टेम्पोरल रेश्यो एक रनटाइम, इंटरप्रिटेबल मीट्रिक प्रदान करता है जिससे यह निदान किया जा सकता है कि क्या कोई पॉलिसी प्रभावी रूप से अपने जेनरेटिव वीडियो प्रायर्स का उपयोग कर रही है।
सुधार के लिए तंत्र: यह कार्य स्पष्ट करता है कि कंपोजिशनल जनरलाइजेशन के लिए दोहरी स्थिति आवश्यक है: (1) वीडियो बैकबोन को एक उपयोगी भविष्य की भविष्यवाणी करनी चाहिए, और (2) एक्शन हेड को प्लानिंग फेज के दौरान उस भविष्य पर सक्रिय रूप से निर्भर होना चाहिए।
व्यावहारिक शमन (Mitigation): TR-एडैप्टिव गाइडेंस एक व्यावहारिक, इन्फरेंस-टाइम हस्तक्षेप प्रदान करता है जो मॉडल को पुन: प्रशिक्षित किए बिना या लोकल मैनिपुलेशन प्रिसिजन से समझौता किए बिना इस अंतर्निहित अटेंशन पैटर्न का लाभ उठाता है।

लेखक निष्कर्ष निकालते हैं कि उनका फ्रेमवर्क VAMs के व्यवहार को स्पष्ट करता है और रोबोटिक कंट्रोल में OOD जनरलाइजेशन गैप को कम करने के लिए एक मार्ग प्रदान करता है, हालांकि वे अंडरलाइंग वीडियो मॉडल की फिजिकल प्लासिबिलिटी और अतिरिक्त इन्फरेंस लागत के संबंध में सीमाओं को स्वीकार करते हैं।