Outcome-Guided Distillation: A Teacher-Student Framework to Advance VLM Reasoning in Autonomous Driving

एक रोबोट को कार चलाना सिखाने की कल्पना करें। लंबे समय तक, इंजीनियरों ने इन रोबोटों को विशेषज्ञों की एक टीम की तरह बनाने की कोशिश की: एक हिस्सा सड़क को देखता है, दूसरा अनुमान लगाता है कि अन्य कारें कहाँ जा रही हैं, और तीसरा तय करता है कि स्टीयरिंग व्हील कब घुमाना है। लेकिन यह एक रिले रेस की तरह है जहाँ बैटन (baton) बार- बार गिर जाता है; यदि पहला धावक लड़खड़ाता है, तो पूरी टीम विफल हो जाती है। एक नया, अधिक आकर्षक विचार "एंड-टू-एंड" (End-to-End) ड्राइविंग है, जहाँ रोबोट सड़क को देखना और तुरंत स्टीयरिंग व्हील घुमाना सीखता है, ठीक वैसे ही जैसे एक मानव मस्तिष्क करता है। हालाँकि, ये रोबोट अक्सर "ब्लैक बॉक्स" होते हैं। वे निर्णय लेते हैं, लेकिन वे यह नहीं समझा सकते कि उन्होंने ऐसा क्यों किया। यदि कोई रोबोट अचानक मुड़ जाता है, तो हमें पता नहीं चलता कि उसने एक कुत्ते को देखा, एक छाया को, या कोई तकनीकी गड़बड़ी (glitch) देखी। इसे ठीक करने के लिए, वैज्ञानिक विजन-लैंग्वेज मॉडल्स (VLMs) का उपयोग करके इन रोबोटों को एक "आवाज़" देने की कोशिश कर रहे हैं—ऐसे सुपर-स्मार्ट कंप्यूटर जो चित्रों को देख सकते हैं और उनके बारे में बात कर सकते हैं। लक्ष्य रोबोट को चलाने से पहले "ज़ोर से सोचने" के लिए प्रेरित करना है, जिससे तर्क की एक ऐसी श्रृंखला बने जिसे मनुष्य समझ सकें। लेकिन इसमें एक पेंच है: इन रोबोटों को सोचना सिखाना अविश्वसनीय रूप से कठिन, महंगा है, और कभी-कभी वे गणित में गलती कर देते हैं, जिससे एक सुचारू वक्र (curve) एक टेढ़े-मेढ़े ढेर में बदल जाता है।

यह शोध पत्र इन ड्राइविंग रोबोटों को प्रशिक्षित करने का एक चतुर नया तरीका पेश करता है, जो एक छात्र का मार्गदर्शन करने वाले एक मास्टर शिक्षक की तरह कार्य करता है। शोधकर्ता, ज़ेयु डोंग और उनकी टीम, "आउटकम-गाइडेड डिस्टिलेशन" (Outcome-Guided Distillation) नामक एक फ्रेमवर्क प्रस्तावित करते हैं। केवल रोबोट से सही उत्तर का अनुमान लगाने के लिए कहने के बजाय, वे एक "टीचर" मॉडल का उपयोग करते है जिसे पहले सही ड्राइविंग पथ को देखने के लिए मजबूर किया जाता है और फिर उस तर्क को समझने के लिए पीछे की ओर काम करना होता है जो उस तक ले गया। इसे "रिफ्लेक्टिव रीजनिंग" (reflective reasoning) कहा जाता है। कल्पना कीजिए कि एक शतरंज का ग्रैंडमास्टर एक विजयी चाल को देखता है और फिर समझाता है, "मैंने अपना घोड़ा यहाँ इसलिए चलाया क्योंकि इसने प्रतिद्वंद्वी के राजा को कोने में धकेल दिया।" रोबक केवल चाल नहीं, बल्कि इस तर्क को सीखता है। फिर, यह सुनिश्चित करने के लिए कि रोबोट संख्याओं से भ्रमित न हो (क्योंकि एआई गणित में बदनाम रूप से खराब है), वे मस्तिष्क को दो भागों में विभाजित करते हैं: एक भाग कहानी लिखता है (तर्क), और एक अलग, विशिष्ट भाग सटीक स्टीयरिंग निर्देशांक (coordinates) को संभालता है।

टीम ने इसका परीक्षण वेमो (Waymo) ड्राइविंग डेटासेट पर किया, जो वास्तविक दुनिया के ड्राइविंग परिदृश्यों का एक विशाल संग्रह है। उन्होंने पाया कि इस "रिफ्लेक्टिव" विधि का उपयोग करके, उनका छोटा, तेज़ रोबोट मॉडल एक समान रोबोट की तुलना में लगभग 24% बेहतर प्रदर्शन करता है जिसने बिना रीजनिंग के काम किया था। रोबोट ने केवल ड्राइविंग नहीं की; वह यह भी समझ गया कि वह उस तरह से क्यों ड्राइविंग कर रहा था। उदाहरण के लिए, निर्माण क्षेत्र (construction zone) के एक कठिन हिस्से में, रोबोट ने लेन बदलने के कारण के रूप में एक विशिष्ट संकेत को सही ढंग से पहचाना, जबकि अन्य मॉडलों ने केवल अनुमान लगाया। रोबोट की "आंखों" (विजन एनकोडर) को फ्रीज करके ताकि वह दुनिया के बारे में जो पहले से जानता है उसे भूले नहीं, और "सोचने" को "स्टीयरिंग" से अलग करके, उन्होंने एक ऐसी प्रणाली बनाई जो न केवल सुरक्षित और सटीक है, बल्कि एक वास्तविक कार में चलने के लिए पर्याप्त तेज़ भी है। परिणाम स्वरूप एक ऐसा ड्राइविंग सिस्टम तैयार हुआ जो पारदर्शी, विश्वसनीय है, और बिना किसी इंसान द्वारा हर तस्वीर को लेबल किए सड़क पर उतरने के लिए तैयार है।