DriftWorld: Fast World Modeling through Drifting
DriftWorld एक अभिनव एक्शन-कंडीशन्ड वर्ल्ड मॉडल पेश करता है जो भविष्य के फ्रेम को सिंगल फॉरवर्ड पास में जेनरेट करने के लिए ड्रिफ्टिंग जनरेटिव मॉडल्स का लाभ उठाता है, जिससे डिफ्यूजन-आधारित बेसलाइन्स की तुलना में 17 गुना तेज़ इन्फरेंस प्राप्त होता है और साथ ही रोबोटिक प्लानिंग और पॉलिसी इवैल्यूएशन में स्टेट-ऑफ-द-आर्ट प्रदर्शन बनाए रखा जाता 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 आप एक रोबोट को कोई कठिन कार्य सिखाने की कोशिश कर रहे हैं, जैसे ब्लॉक्स को एक के ऊपर एक रखना या दराज खोलना। आप नहीं चाहते कि रोबोट वास्तविक दुनिया में लाखों बार चीजों से टकराकर दुर्घटनाग्रस्त हो जाए; यह धीमा, खतरनाक और महंगा होगा। इसके बजाय, आप चाहते हैं कि रोबमाट के पास एक "दिन में सपना देखने" (daydream) की क्षमता हो। रोबोटिक्स की दुनिया में, इस दिन में सपने को एक "वर्ल्ड मॉडल" (world model) कहा जाता है। यह एक डिजिटल क्रिस्टल बॉल की तरह है जो रोबोट को कल्पना करने की अनुमति देती है, "यदि मैं अपना हाथ इस तरह हिलाता हूँ, तो अगली स्थिति में दुनिया कैसी दिखेगी?" यदि रोबोट किसी चाल को करने से पहले ही उसके परिणाम की कल्पना कर सकता है, तो वह सबसे अच्छी चाल चुन सकता है और गलतियों से बच सकता है।
लंबे समय तक, ये डिजिटल क्रिस्टल बॉल धीमे, विचारशील कलाकारों की तरह रही हैं। वे भविष्य का एक विस्तृत चित्र बनाने में अविश्वसनीय रूप से अच्छी हैं, लेकिन उन्हें प्रत्येक स्ट्रोक पूरा करने में काफी समय लगता है। भविष्य के एक सेकंड का वीडियो उत्पन्न करने के लिए, उन्हें दर्जनों छोटे चरणों की आवश्यकता हो सकती है, जिसमें छवि को बार-बार परिष्कृत किया जाता है। यह एक समस्या है क्योंकि रोबोटों को पलक झपकते ही निर्णय लेने की आवश्यकता होती है। यदि रोबोट एक कप को गिरने से बचाने के लिए केवल तीन सेकंड तक कल्पना करने में बिता देता है, तो तब तक बहुत देर हो चुकी होगी। मुख्य सवाल जो शोधकर्ता पूछ रहे हैं वह यह है: क्या हम एक ऐसा वर्ल्ड मॉडल बना सकते हैं जो भविष्य की कल्पना करने में उतना ही अच्छा हो, लेकिन इतना तेज़ भी हो कि वह एक वास्तविक रोबोट की धड़कन के साथ तालमेल बिठा सके?
यहीं पर एक नया पेपर DriftWorld पेश करता है, जो एक चतुर समाधान है जो खेल के नियम बदल देता है। पिछले मॉडलों (जो "डिफ्यूजन" नामक तकनीक पर निर्भर करते हैं) द्वारा उपयोग की जाने वाली धीमी, चरण-दर-चरण पेंटिंग प्रक्रिया के बजाय, DriftWorld एक "ड्रिफ्टिंग" (drifting) मॉडल का उपयोग करता है। इसे इस तरह सोचें: यदि एक डिफ्यूजन मॉडल पत्थर के एक ब्लॉक को धीरे-धीरे तराश कर मूर्ति प्रकट करने वाले मूर्तिकार की तरह है, तो एक ड्रिफ्टिंग मॉडल एक सर्फर की तरह है। यह अपने प्रशिक्षण के दौरान पानी की "धारा" या "ड्रिफ्ट" को सीखता है। एक बार जब यह जान लेता है कि पानी किस दिशा में बह रहा है, तो यह शुरुआती बिंदु से गंतव्य तक एक ही, सुचारू गति में फिसल सकता है।
लेखकों ने DriftWorld को एक 'एक्शन-कंडीशन्ड वर्ल्ड मॉडल' के रूप में बनाया है, जिसका अर्थ है कि यह रोबोट की नियोजित गतिविधियों को निर्देशों के रूप में लेता है और तुरंत भविष्य के वीडियो फ्रेम उत्पन्न करता है जो उन गतिविधियों का परिणाम होंगे। उन्होंने इसे कई वास्तविक दुनिया और सिम्युलेटेड रोबोट कार्यों पर परखा, जिसमें मेज पर वस्तुओं को हिलाना (जैसे "Push-T" कार्य) और जटिल रसोई के काम शामिल हैं। परिणाम आश्चर्यजनक हैं: DriftWorld एक सिंगल फॉरवर्ड पास में भविष्य के वीडियो फ्रेम उत्पन्न कर सकता है, जिससे 30 फ्रेम प्रति सेकंड से अधिक की गति प्राप्त होती है। यानी, मौजूदा सर्वश्रेष्ठ डिफ्यूजन-आधारित वर्ल्ड मॉडलों की तुलना में औसतन 17 गुना तेज़।
लेकिन केवल गति ही सब कुछ नहीं है; सपने को सटीक भी होना चाहिए। शोधकर्ताओं ने पाया कि DriftWorld न केवल तेज़ चलता है, बल्कि यह स्पष्ट भी देखता है। उनके परीक्षणों में, इसके द्वारा उत्पन्न किए गए वीडियो उतने ही तीखे और यथार्थवादी थे जितने कि धीमे मॉडल, जो मानक गुणवत्ता स्कोर पर उन्हें टक्कर देते हैं या उनसे बेहतर होते हैं। इसकी अत्यधिक गति के कारण, रोबोट अब कुछ ही दृश्यों की कल्पना करने के समय में सैकड़ों अलग-अलग भविष्य के परिदृश्यों की कल्पना कर सकता है। जब शोधकर्ताओं ने रोबोट को कार्य करने से पहले "सोचने" के लिए DriftWorld का उपयोग करने दिया, तो रोबोट अपने कार्यों में बेहतर हो गया। उदाहरण के लिए, Push-T कार्य पर, रोबốt की सफलता दर (Intersection over Union - IoU स्कोर) DriftWorld का उपयोग करके योजना बनाने पर 0.635 से बढ़कर 0.781 हो गई।
पेपर ने यह भी दिखाया कि DriftWorld रोबोट नीतियों (policies) को ऑफलाइन टेस्ट करने के लिए एक शानदार उपकरण है। कल्पना कीजिए कि आपके पास दस अलग-अलग रोबोट रणनीतियाँ हैं और आप जानना चाहते हैं कि सबसे अच्छी कौन सी है बिना उन्हें वास्तविक लैब में चलाए। DriftWorld एक सिम्युलेटर के रूप में कार्य कर सकता है, प्रत्येक रणनीति के परिणामों के माध्यम से जा सकता है और उन्हें रैंक कर सकता है। शोधकर्ताओं ने पाया कि DriftWorld द्वारा इन रणनीतियों को दिए गए स्कोर और वास्तविक दुनिया के परिणामों के बीच पियर्सन सहसंबंध गुणांक (Pearson correlation coefficient) Robomimic Lift कार्य पर 0.9916 तक था। इसका मतलब है कि डिजिटल सपना लगभग पूरी तरह से वास्तविकता के साथ संरेखित था।
हालाँकि, लेखक सावधानीपूर्वक यह भी नोट करते हैं कि यह कोई जादुई छड़ी नहीं है जो सब कुछ हल कर दे। मॉडल छवियों को तीखा रखने के लिए एक पूर्व-प्रशिक्षित "फीचर एक्सट्रैक्टर" (विशेष रूप से DINOv2/v3) पर निर्भर करता है, विशेष रूप से जटिल दृश्यों में। साथ भी इसे प्रशिक्षण के दौरान अधिक कंप्यूटर मेमोरी की आवश्यकता होती है क्योंकि इसे सही ड्रिफ्ट सीखने के लिए एक साथ कई "नेगेटिव" उदाहरण (गलत अनुमान) उत्पन्न करने की आवश्यकता होती है। हालाँकि पेपर यह सिद्ध करता है कि ड्रिफ्टिंग रोबोट वर्ल्ड मॉडलिंग के लिए एक शक्तिशाली आधार है, यह सुझाव देता है कि भविष्य के कार्यों को इन मेमोरी बाधाओं को दूर करने की आवश्यकता होगी ताकि मॉडलों को और भी लंबा और सुसंगत बनाया जा सके।
संक्षेप में, DriftWorld सुझाव देता है कि हमें एक धीमे, पूर्ण कल्पना और एक तेज़, धुंधली कल्पना के बीच चुनाव करने की आवश्यकता नहीं है। "डिनोइज़" (denoise) करने के बजाय "ड्रिफ्ट" करना सीखकर, रोबोट अंततः उस तेज़, उच्च-गुणवत्ता वाली कल्पना को प्राप्त कर सकते हैं जिसकी उन्हें वास्तविक दुनिया में योजना बनाने और कार्य करने के लिए आवश्यकता होती 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।