Decoupling Intention from Trajectory: A Representational Deduction Framework for World Action Models
यह शोध पत्र PILOT को प्रस्तुत करता है, जो एक ऐसा ढांचा है जिसमें एक 'रिप्रेजेंटेशनल डिडक्शन' (Representational Deduction) तंत्र है जो मोशन चेन-ऑफ-थॉट मार्गदर्शन को एकीकृत करके उच्च-स्तरीय भौतिक अवस्था विकास को निम्न-स्तरीय प्रक्षेपवक्र (trajectory) पीढ़ी से अलग करता है, जिससे जटिल रोबोटिक कार्यों में 'वर्ल्ड एक्शन मॉडल्स' की सफलता दर, सामान्यीकरण और भौतिक व्याख्यात्मकता में वृद्धि होती 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 सैंडविच बनाना सिखाने की कोशिश कर रहे हैं। आप नहीं चाहते कि वह केवल आपके हाथों की गतिविधियों की नकल करे; आप चाहते हैं कि वह समझ सके कि क्या हो रहा है। यदि आप ब्रेड उठाते हैं, तो रोबोट को पता होना चाहिए कि ब्रेड अब हवा में है, न कि मेज पर। यदि आप जार को दबाते हैं, तो उसे एहसास होना चाहिए कि ढक्कन खुलने वाला है। यह "एम्बोडीड इंटेलिजेंस" (Embodied Intelligence) का बड़ा सपना है: रोबोट को एक ऐसा दिमाग देना जो यह समझ सके कि जब वे किसी चीज़ को छूते हैं तो भौतिक दुनिया कैसे बदलती है।
लंबे समय से, वैज्ञानिक रोबोट के लिए "वर्ल्ड मॉडल्स" (World Models) बनाने की कोशिश कर रहे हैं। इन्हें रोबोट का आंतरिक क्रिस्टल बॉल (crystal ball) समझें। रोबोट दुनिया को देखता है, भविष्यवाणी करता है कि यदि वह हिलता है तो आगे क्या होगा, और फिर निर्णय लेता है कि क्या करना है। लेकिन एक पेच है: अधिकांश क्रिस्टल बॉल क्रिया (action) को देखने में बहुत खराब होती हैं। वे यह बताने में बहुत अच्छी हैं कि एक लाल ब्लॉक एक नई जगह पर होगा, लेकिन वे इस बात पर भ्रमित हो जाती हैं कि रोब-बोट का हाथ वहां कैसे पहुँचा। वे गति की "कहानी" और परिणाम की "तस्वीर" के बीच अंतर नहीं कर पातीं। यह पेपर, जिसे PILOT कहा जाता है, इस गड़बड़ी को ठीक करने की कोशिश करता है, यह सिखाकर कि रोबोट को "क्यों" और "क्या" को अलग करना चाहिए।
समस्या: रोबोट का भ्रमित मस्तिष्क
कल्पना कीजिए कि आप एक जादू के करतब के बारे में कहानी लिखने की कोशिश कर रहे हैं। आपके पास दो विकल्प हैं। आप एक ऐसी स्क्रिप्ट लिख सकते हैं जो हवा में फड़फड़ाते जादूगर के लबादे के हर एक पिक्सेल का वर्णन करती है (दृश्य विवरण), या आप एक ऐसी स्क्रिप्ट लिख सकते हैं जो इरादे (intent) पर ध्यान केंद्रित करती है: "जादूगर का इरादा खरगोश को गायब करने का है।"
अधिकांश वर्तमान रोबोट मस्तिष्क पहली तरह की स्क्रिप्ट लिखने में फंसे हुए हैं। वे भविष्य के वीडियो के हर पिक्सेल की सटीक भविष्यवाणी करने की कोशिश करते हैं। समस्या यह है कि यह विंडशील्ड पर गिरती बारिश की बूंदों के सटीक पैटर्न को याद करने जैसा है। यह बहुत अधिक विवरण है, और यह रोबोट को भ्रमित कर देता है। रोबोट अंततः गति (हाथ का हिलना) और बैकग्राउंड (मेज का रंग) के बीच भ्रमित हो जाता है। पेपर की भाषा में, इसे "रिप्रेजेंटेशनल एंटैंगलमेंट" (representational entanglement) कहा जाता है। रोबोट का दिमाग इतना उलझा हुआ है कि उसे यह समझ नहीं आता कि वह कैसे हिलना सीख रहा है या केवल एक तस्वीर बनाना सीख रहा है।
समाधान: PILOT और "मोशन CoT"
लेखक PILOT (Physical Inference for Latent Optimized Trajectories) नामक एक नया फ्रेमवर्क प्रस्तावित करते हैं। उनका बड़ा विचार यह है कि रोबोट को सीधे भविष्य का वीडियो भविष्यवाणी करने से रोका जाए। इसके बजाय, वे चाहते हैं कि रोबोट पहले "मोशन चेन ऑफ थॉट" (Motion Chain of Thought - Motion CoT) को समझे।
इसे इस तरह सोचें: भविष्य में पार्क जाने का रास्ता बताने से पहले, आप सड़क के हर पेड़ और गड्ढे का वर्णन नहीं करते। आप कहते हैं, "पहले बड़े शाहबलूत (oak) के पेड़ पर बाएं मुड़ें, फिर नीली बेंच दिखने तक सीधे चलें।" वह "बाएं मुड़ें" और "सीधे चलें" ही Motion CoT है। यह गति का उच्च-स्तरीय प्लान, उसका इरादा है, जो सभी अव्यवस्थित दृश्य शोर से मुक्त है।
PILOT रोबोट के मस्तिष्क को दो अलग-अलग कार्यों में विभाजित करके काम करता है:
- प्लानर (Motion CoT): यह हिस्सा वर्तमान दृश्य और लक्ष्य को देखता है, फिर "मोशन टोकन" तैयार करता है। ये मानसिक नोट्स की तरह हैं जो कहते हैं, "मैं उठाने जा रहा हूँ," या "मैं धकेलने जा रहा हूँ।" महत्वपूर्ण रूप से, ये नोट्स यह समझने के लिए सीखे जाते हैं कि दुनिया कैसे बदलती है, न कि केवल यह कि दुनिया कैसी दिखती है।
- डूअर (Action Model): यह हिस्सा उन साफ, उच्च-स्तरीय नोट्स को लेता है और उन विशिष्ट मांसपेशियों की गतिविधियों (trajectory) को समझता है जो इसे करने के लिए आवश्यक हैं।
यह कैसे काम करता है: "कॉज़ल डायनेमिक्स इंजन"
यह सुनिश्चित करने के लिए कि "प्लानर" वास्तव में सही चीजें सीख रहा है, लेखकों ने एक विशेष प्रशिक्षण उपकरण बनाया है जिसे कॉज़ल डायनेमिक्स इंजन (Causal Dynamics Engine - CDE) कहा जाता है।
कल्पना कीजिए कि आप एक छात्र को मौसम की भविष्यवाणी करना सिखा रहे हैं। उन्हें आकाश की एक तस्वीर दिखाने और तापमान का अनुमान लगाने के लिए कहने के बजाय, आप उन्हें आकाश की एक तस्वीर और पांच मिनट बाद के आकाश की एक तस्वीर दिखाते हैं। आप छात्र से पूछते हैं: "क्या बदला?"
PILOT में, रोबोट को वर्तमान दृश्य और भविष्य के दृश्य दोनों दिखाए जाते हैं। CDE "प्लानर" को मजबूर करता है कि वह एक सारांश (Motion CoT) बनाए जो उन दोनों दृश्यों के बीच के बदलाव की व्याख्या करे। यदि रोबोट एक ब्लॉक को हिलाता है, तो Motion CoT को उस "ब्लॉक हिला" वाले बदलाव को पकड़ना चाहिए। यदि रोबोट केवल अपना कैमरा घुमाता है और बैकग्राउंड बदल जाता है, तो Motion CoT इसे अनदेखा करना सीख जाता है, क्योंकि यह किसी क्रिया के कारण हुआ भौतिक परिवर्तन नहीं है।
यह एक "निगमन" (deduction) प्रक्रिया बनाता है। रोबलेट केवल भविष्य का अनुमान नहीं लगा रहा है; वह गति के भौतिक नियमों का निष्कर्ष निकाल रहा है। पेपर इसे रिप्रेजेंटेशनल डीडक्शन (Representational Deduction) कहता है। यह ऐसा है जैसे रोबोट एक पहेली सुलझा रहा हो जहाँ टुकड़े गति के भौतिक नियम हैं, और समाधान निर्देशों का एक स्पष्ट सेट है।
परिणाम: तेज़, स्मार्ट और मजबूत
लेखकों ने PILOT का परीक्षण कुछ बहुत ही कठिन रोबोट कार्यों पर किया, जैसे ब्लॉकों को एक के ऊपर एक रखना, ट्रे से वस्तुओं को उठाना, और यहाँ तक कि एक वास्तविक मानव-आकार के रोबोट (Agibot-G1) पर वस्तुओं का हेरफेर करना।
- यह एक स्पीड डेमन है: क्योंकि PILOT भविष्य के वीडियो के फ्रेम-दर-फ्रेम निर्माण में समय बर्बाद नहीं करता है, इसलिए यह अविश्वसनीय रूप से तेज़ है। पेपर रिपोर्ट करता है कि यह 145 Hz पर चलता है (इसका मतलब है कि यह एक सेकंड में 145 बार निर्णय ले सकता है), जो पिछले तरीकों की तुलना में बहुत तेज़ है। वास्तव में, यह पुराने "प्रेडिक्ट-देन-एक्ट" (predict-then-act) तरीकों की तुलना में लगभग 90% तेज़ (लेटेंसी के मामले में 11.9 गुना तेज़) है जो पहले पूरा भविष्य का वीडियो कल्पना करने की कोशिश करते थे।
- यह सामान्यीकरण (Generalization) में माहिर है: जब शोधकर्ताओं ने लाइटिंग बदली, कैमरा हिलाया, या वस्तुओं के रंग और आकार बदले, तो PILOT घबराया नहीं। जबकि अन्य रोबोट विफल रहे, PILOT काम करता रहा। उदाहरण के लिए, एक वास्तविक दुनिया के परीक्षण में, PILOT ने मानक कार्यों पर 83.1% सफलता दर हासिल की, जो अगले सबसे अच्छे रोबोट (Fast-WAM) को पीछे छोड़ दिया जिसने केवल 73.3% प्राप्त किया। यहाँ तक कि जब लाइटिंग डिस्को की तरह चमक रही थी और कैमरा झुका हुआ था, तब भी PILOT ने 68.3% की सफलता दर बनाए रखी, जबकि अन्य लगभग 50% पर गिर गए।
- यह जल्दी सीखता है: पेपर ने यह भी दिखाया कि PILOT "फ्यू-शॉट" (few-shot) लर्निंग में बहुत अच्छा है। यदि आप इसे सामान्य प्रशिक्षण डेटा का केवल 10% देते हैं, तो भी यह अच्छा प्रदर्शन करता है (62.4% सफलता), जबकि अन्य मॉडल पूरी तरह विफल हो जाते हैं (40.8% तक गिर जाते हैं)। यह सुझाव देता है कि इमेज के पिक्सेल के बजाय गति के फिजिक्स पर ध्यान केंद्रित करके, रोबोट एक अधिक सार्वभौमिक कौशल सीखता है।
जो पेपर खारिज करता है
लेखक इस बात पर बहुत स्पष्ट हैं कि क्या काम नहीं करता है। वे इस विचार का खंडन करते हैं कि एक रोबोट को हिलने-डुलने के लिए भविष्य का सटीक, पिक्सेल-दर-पिक्सेल वीडियो बनाने की आवश्यकता है। वे दिखाते हैं कि भविष्य के वीडियो की सटीक भविष्यवाणी करने की कोशिश वास्तव में रोबोट की योजना बनाने की क्षमता को नुकसान पहुँचाती है क्योंकि यह बैकग्राउंड शोर या कैमरा मूवमेंट जैसे अप्रासंगिक विवरणों से विचलित हो जाता है। वे स्पष्ट रूप से कहते हैं कि भविष्य के विजुअल फ्रेमों का मोशन इंफॉर्मेशन के स्रोत के रूप में उपयोग करना एक गलती है; इसके बजाय, भविष्य के फ्रेमों का उपयोग केवल यह परीक्षण करने के लिए किया जाना चाहिए कि रोबोट का मोशन प्लान सही था या नहीं।
निष्कर्ष
PILOT सुझाव देता है कि यदि आप चाहते हैं कि एक रोबोट वास्तविक दुनिया में बुद्धिमानी से काम करे, तो आपको उसे वीडियो एडिटर बनने के लिए नहीं सिखाना चाहिए। आपको उसे एक भौतिक विज्ञानी (physicist) बनना सिखाना चाहिए। गति के "विचार" को उसके परिणाम की "तस्वीर" से अलग करके, और यह जांचने के लिए कि भौतिकी सही है या नहीं, एक विशेष इंजन का उपयोग करके, रोबोट उद्देश्य के साथ हिलना सीखता है। वह केवल जो देखता है उसकी नकल नहीं कर रहा है; वह समझ रहा है कि वह क्या कर रहा है। और सबसे अच्छी बात? वह यह सब इतनी तेज़ी से करता है कि वह वास्तविक दुनिया के साथ तालमेल बिठा सके, जो इसे मददगार रोबोटों की अगली पीढ़ी के लिए एक गंभीर दावेदार बनाता 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।