Fast and Accurate: An Adaptive VLA Inference Framework through Environment-aware Model Selection
यह शोध पत्र एनवायरनमेंट-अवेयर मॉडल सिलेक्शन (EMS) का प्रस्ताव करता है, जो एक एडेप्टिव वीएलए (VLA) इन्फरेंस फ्रेमवर्क है जो वास्तविक समय के फीडबैक के आधार पर पूरी तरह से डिकपल्ड बड़े पैमाने के डेलिब्रेटिव और लाइटवेट रिएक्टिव सिस्टम्स के बीच गतिशील रूप से स्विच करता है, जिससे बिना किसी एंड-टू-एंड जॉइंट ट्रेनिंग के हाई-फ्रीक्वेंसी क्लोज्ड-लूप कंट्रोल और रोबस्ट टास्क सक्सेस प्राप्त होता 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 एक ऐसी दुनिया है जहाँ रोबोट केवल कठोर स्क्रिप्ट का पालन करने वाले अनाड़ी हाथ नहीं हैं, बल्कि चतुर सहायक हैं जो वास्तविक, अनिश्चित दुनिया को देख सकते हैं, समझ सकते हैं और उस पर प्रतिक्रिया दे सकते हैं। यही "एम्बोडीड इंटेलिजेंस" (embodied intelligence) का सपना है—मशीनों को एक शरीर और एक मस्तिष्क देना ताकि वे कॉफी बनाने, कपड़े तह करने या ब्लॉकों का टॉवर बनाने जैसे काम कर सकें। वहाँ पहुँचने के लिए, वैज्ञानिक विशेष एआई मॉडल बना रहे हैं जिन्हें विजन-लैंग्वेज-एक्शन (VLA) मॉडल कहा जाता है। इन पर विचार करें कि ये एक रोबोट का मस्तिष्क हैं जो एक तस्वीर देख सकते हैं, "लाल कप उठाओ" जैसा वाक्य पढ़ सकते हैं, और फिर यह समझ सकते हैं कि इसे करने के लिए अपने हाथ को ठीक से कैसे हिलाना है।
हालाँकि, एक पेचीदा समस्या है: बुद्धिमानी और गति अक्सर एक-दूसरे की दुश्मन होती हैं। वे सुपर-स्मार्ट दिमाग जो जटिल पहेलियों को हल कर सकते हैं और दीर्घकालिक रणनीतियों की योजना बना सकते हैं, भारी और धीमे होते हैं, जैसे कि एक ग्रैंडमास्टर शतरंज खिलाड़ी जो एक चाल चलने में मिनटों का समय लेता है। लेकिन एक रोबोट को पलक झपकते ही प्रतिक्रिया देने की आवश्यकता होती—एक गिरती हुई वस्तु को पकड़ने या दीवार से टकराने से बचने के लिए सैकड़ों बार प्रति सेकंड। यदि रोबोट बहुत अधिक सोचता है, तो वह क्षण खो देता है। यदि वह बहुत तेज़ी से सोचता है, तो वह एक मूर्खतापूर्ण गलती कर सकता है। वैज्ञानिकों ने "डुअल-सिस्टम" (दोहरी प्रणाली) वाले रोबोट बनाकर इसे ठीक करने की कोशिश की है, जो मानव सोच से प्रेरित हैं: त्वरित प्रतिक्रियाओं के लिए एक तेज़, सहज प्रणाली, और बड़े निर्णयों के लिए एक धीमी, विचारशील प्रणाली। लेकिन अब तक, ये दोनों प्रणालियाँ एक साथ इतनी मजबूती से जुड़ी हुई थीं कि वे स्वतंत्र रूप से काम नहीं कर सकती थीं, जिससे उन्हें अपग्रेड करना या उनके बीच स्विच करना कठिन हो जाता था।
यह शोध पत्र इन रोबोट दिमागों को बनाने का एक नया तरीका पेश करता है जिसे EMS (एनवायरनमेंट-अवेयर मॉडल सिलेक्शन) कहा जाता है। तेज़ और धीमी प्रणालियों को आपस में जोड़ने के बजाय, लेखकों ने एक ऐसा ढांचा बनाया है जहाँ वे पूरी तरह से अलग, प्लग-एंड-प्ले साथी हैं। वे एक स्पोर्ट्स टीम की तरह कार्य करते हैं जिसमें एक "कोच" और एक "खिलाड़ी" होता है। कोच (सिस्टम 2) वह धीमा, सुपर-स्मार्ट मॉडल है जो समग्र रणनीति की योजना बनाता है और सुनिश्चित करता है कि कार्य सही ढंग से पूरा हो, लेकिन यह वास्तविक समय में गेम चलाने के लिए बहुत धीमा है। खिलाड़ी (सिस्टम 1) वह हल्का, बिजली की तरह तेज़ मॉडल है जो चीजों को सुचारू और उत्तरदायी बनाए रखने के लिए सैकड़ों बार प्रति सेकंड रोबोट के जोड़ों को हिला सकता है।
जादुई तत्व एक छोटा, स्मार्ट स्विच (स्विचिंग मॉड्यूल) है जो एक रेफरी की तरह कार्य करता है। यह वास्तविक समय में रोबм के वातावरण को देखता है और निर्णय लेता है: "क्या हमें अभी कोच की गहरी सोच की आवश्यकता है, या खिलाड़ी इस काम को संभाल सकता है?" यदि रोबोट बस एक खाली कमरे में घूम रहा है, तो स्विच तेज़ खिलाड़ी को नियंत्रण लेने देता है, जिससे क्रिया सुचारू और त्वरित रहती है। लेकिन यदि रोबोट किसी फिसलन भरी वस्तु को पकड़ने वाला है या उसे एक पेचीदा नया कदम समझने की आवश्यकता है, तो स्विच तुरंत कोच को एक नज़र डालने और एक बेहतर योजना देने के लिए बुला लेता है। महत्वपूर्ण बात यह है कि ये दोनों प्रणालियाँ अपने आंतरिक "विचारों" या अव्यवस्थित डेटा को साझा नहीं करती हैं; वे केवल उन अंतिम चालों के बारे में बात करती हैं जो वे करना चाहते हैं। इसका मतलब है कि आप पूरे दल को फिर से प्रशिक्षित किए बिना बाद में कोच को एक स्मार्ट मॉडल से बदल सकते हैं।
शोधकर्ताओं ने कंप्यूटर सिमुलेशन और दो हाथों वाले वास्तविक रोबोटों दोनों में इस विचार का परीक्षण किया। सिमुलेशन में, LIBERO बेंचमार्क का उपयोग करते हुए, उनकी प्रणाली ने लगभग 92.4% की सफलता दर हासिल की, जो कि अकेले धीमे, स्मार्ट कोच का उपयोग करने के बराबर है। लेकिन असली बात यह है कि जबकि धीमा कोच प्रति सेकंड केवल 6.3 बार निर्णय ले सकता था, EMS सिस्टम ने रोबोट को 93.4 Hz (प्रति सेकंड लगभग 100 बार) की तीव्र गति से चलते रहने दिया। इसका मतलब है कि रोबोट धीमे मॉडल जितना ही स्मार्ट था लेकिन वह लगभग 15 गुना तेज़ चला।
वास्तविक दुनिया में, उन्होंने कटोरे रखने (स्टैकिंग) वाले दो-हाथों वाले रोबोट के साथ परीक्षण किया। अकेले धीमे मॉडल को कार्य पूरा करने में औसतन 29 सेकंड लगे, जबकि अकेले तेज़ मॉडल में त्वरित (लगभग 18 सेकंड) था लेकिन पर्याप्त सावधान न होने के कारण वह अक्सर विफल हो जाता था। EMS सिस्टम ने सही संतुलन खोज लिया: इसने कार्य को 23 सेकंड में पूरा किया और 70% सफलता दर प्राप्त की। इसने यह काम इसलिए किया क्योंकि इसने धीमी, सावधान मॉडल का उपयोग केवल 15% समय (सिमुलेशन में) या विशिष्ट वास्तविक दुनिया के परिदृश्यों में 1.0 से 1.68 गुना अधिक बार किया, जो गलतियों को सुधारने और पेचीदा चालों की योजना बनाने के लिए पर्याप्त था, जबकि बाकी समय भारी काम करने के लिए तेज़ मॉडल को काम करने दिया।
यह शोध पत्र स्पष्ट रूप से उन पुराने तरीकों के विरुद्ध तर्क देता है जहाँ तेज़ और धीमी प्रणालियाँ आंतरिक डेटा साझा करते हुए मजबूती से जुड़ी होती हैं। लेखकों ने पाया कि यह गहरा संबंध पूरे सिस्टम को फिर से प्रशिक्षित किए बिना इसके एक हिस्से को अपग्रेड करना असंभव बना देता है और रोबोट वास्तव में कितनी तेज़ी से चल सकता है, इसकी सीमा तय कर देता है। उनका "डिकपल्ड" (विच्छेदित) दृष्टिकोण सुझाव देता है कि प्रणालियों को अलग रखना और एक स्मार्ट स्विच को उन्हें प्रबंधित करने देना ही तेज़ और विश्वसनीय रोबोट होने की कुंजी है। हालांकि परिणाम आशाजनक हैं, लेखक नोट करते हैं कि वास्तविक दुनिया में, सिस्टम अभी भी तेज़ मॉडल की गति द्वारा सीमित है, और सफलता दर इस बात पर निर्भर करती है कि तेज़ मॉडल अकेले काम को कितनी अच्छी तरह संभाल सकता है। लेकिन केवल तभी जब अत्यंत आवश्यक हो तब धीमे मॉडल का उपयोग करके, उन्होंने दिखाया कि रोबोट आखिरकार अपनी प्रतिक्रियाओं (रिफ्लेक्स) को खोए बिना गहराई से सोचना शुरू कर सकते हैं।
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।