🤖 AI

Traj-LeWM: Path-Aware World-Model Planning via Latent Trajectory Cost

Traj-LeWM, एक लक्ष्य-सशर्त लेटेंट ट्रैजेक्टरी कॉस्ट (goal-conditioned latent trajectory cost) को पेश करके हल्के विज़ुअल वर्ल्ड मॉडल LeWM को उन्नत करता है, जो प्रशिक्षण और योजना दोनों के दौरान एंडपॉइंट डिस्टेंस (endpoint distance) के साथ पथ-जागरूक जानकारी (path-aware information) को पूरक बनाता है, जिसके परिणामस्वरूप कई रोबोटिक मैनिपुलेशन बेंचमार्क में महत्वपूर्ण प्रदर्शन सुधार होते हैं।

मूल लेखक: Xiaodi Huang, Ziyi Ding, Jingtian Wan, Yuchen Liu, Yuan Zhang, Xiao-Ping Zhang, Jiayu Chen, Zhang Zhang, Tao Huang

प्रकाशित 2026-08-17

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Xiaodi Huang, Ziyi Ding, Jingtian Wan, Yuchen Liu, Yuan Zhang, Xiao-Ping Zhang, Jiayu Chen, Zhang Zhang, Tao Huang

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 भूलभुलैया में रास्ता दिखाना या किसी ब्लॉक को किसी विशिष्ट स्थान पर धकेलना सिखा रहे हैं। आर्टिफिशियल इंटेलिजेंस की दुनिया में, इसे अक्सर "वर्ल्ड मॉडल" (world model) का उपयोग करके किया जाता है। वर्ल्ड मॉडल को एक रोबोट के आंतरिक 'दिनों dreamer' (daydreamer) के रूप में सोचें। केवल वही देखने के बजाय जो वह अभी देख रहा है, रोबोट इस 'डे ड्रीमर' का उपयोग भविष्य का अनुकरण (simulate) करने के लिए करता है: "यदि मैं अपना हाथ बाईं ओर ले जाता हूँ, तो एक सेकंड में दुनिया कैसी दिखेगी? दो सेकंड में कैसी होगी?"

लंबे समय से, वैज्ञानिक इन 'डे ड्रीम्स' को अधिक सटीक बनाने की कोशिश कर रहे हैं। LeWM (Lightweight World Model) नामक एक हालिया दृष्टिकोण एक बड़ा कदम था। इसने सीधे कैमरा पिक्सेल से भविष्य की भविष्यवाणी करना सीखा, जिससे जटिल 3D मानचित्रों की आवश्यकता समाप्त हो गई। हालाँकि, LeWM की भी एक कमी थी। यह एक ऐसे GPS की तरह था जिसे केवल आपके अंतिम गंतव्य की परवाह थी। यह संभावित रास्तों की एक सूची देखता था और उस रास्ते को चुनता था जो ऐसा दिखता था कि वह लक्ष्य के सबसे करीब पहुँचेगा, बिना वास्तव में यह जाँच किए कि बीच का रास्ता गड्ढों, बंद रास्तों या ट्रैफिक जाम से भरा तो नहीं है। यदि दो रास्ते एक ही स्थान पर समाप्त होते थे, तो रोबोट यह नहीं बता पाता था कि कौन सा रास्ता वास्तव में सुरक्षित या सुगम था। यह पेपर, Traj-LeWM, इस कमी को ठीक करने की कोशिश करता है, यह रोबोट को पूरे सफर की परवाह करना सिखाकर, न कि केवल फिनिश लाइन की।

समस्या: "फिनिश लाइन" का जाल

इस पेपर के लेखकों ने नोट किया कि रोबोट जैसे LeWM निर्णय कैसे लेते हैं, इसमें एक अजीब समस्या है। कल्पना कीजिए कि आप एक वीडियो गेम खेल रहे हैं जहाँ आपको एक खजाने के संदूक तक एक पात्र को ले जाना है। आपके पास चुनने के लिए दो रास्ते हैं:

पथ A: एक सीधा, साफ रास्ता जो सीधे संदूक तक जाता है।
पथ B: एक घुमावदार, खतरनाक रास्ता जो जाल-भरे जंगल से होकर गुजरता है, लेकिन फिर भी संदूक के ठीक बगल में समाप्त होता है।

पुराने जमाने का AI (जैसे LeWM) दोनों रास्तों के अंत को देखता है, देखता है कि वे संदूक के समान करीब हैं, और उनमें से एक को यादृच्छिक रूप से चुन लेता है। उसे यह एहसास नहीं होता कि पथ B के दौरान पात्र बीच में किसी पेड़ से टकरा सकता है। पेपर का तर्क है कि ऐसा इसलिए होता है क्योंकि रोबोट केवल "एंडपॉइंट डिस्टेंस" (अंतिम बिंदु की दूरी) की जाँच करता है। यह "इंटरमीडिएट पाथ" (मध्यवर्ती पथ) को अनदेखा कर देता है—वह उलझन भरी, कठिन चीज़ें जो क्रिया के बीच में होती हैं।

शोधकर्ताओं ने पाया कि जटिल कार्यों में, जैसे कि T-आकार की वस्तु को धकेलना या बाधाओं वाले कमरे में नेविगेट करना, दो अलग-अलग एक्शन सीक्वेंस बिल्कुल एक ही स्थान पर समाप्त हो सकते हैं, लेकिन एक सफल होगा और दूसरा बुरी तरह विफल हो जाएगा। पुराना रोबोट अंतर नहीं बता सका क्योंकि वह फिनिश लाइन पर बहुत अधिक केंद्रित था।

समाधान: "पूरे सफर" का स्कोरकार्ड

इसे ठीक करने के लिए, टीम ने Traj-LeWM पेश किया। उन्होंने रोबोट की भविष्य की भविष्यवाणी करने की क्षमता को बरकरार रखा लेकिन एक नया "स्कोरकार्ड" जोड़ा जिसे लेटेंट ट्रजेक्टरी कॉस्ट (Latent Trajectory Cost - LTC) कहा जाता है।

LTC को एक सख्त कोच के रूप में सोचें जो न केवल यह देखता है कि एथलीट कहाँ समाप्त करता है, बल्कि पूरी दौड़ को देखता है।

पुराना तरीका: कोच कहता है, "बहुत अच्छा! आप फिनिश लाइन से 1 मीटर दूर समाप्त हुए।"
नया तरीका (Traj-LeWM): कोच कहता है, "आप फिनिश लाइन से 1 मीटर दूर समाप्त हुए, लेकिन आप तीन बार लड़खड़ाए, एक दीवार से टकराए, और एक अजीब मोड़ लिया। यह एक खराब रन है। आइए दूसरे धावक को देखें जो उसी स्थान पर समाप्त हुआ लेकिन सुचारू रूप से दौड़ा।"

नया सिस्टम हर संभावित पथ के लिए एक "लागत" (cost) सीखता है। यदि कोई पथ ऐसा दिखता है कि वह दीवार से टकराएगा या अजीब मोड़ लेगा, तो उसकी लागत बढ़ जाती है। यदि पथ सुचारू और तार्किक है, तो लागत कम रहती है। रोबोट फिर इस "सुचारूता स्कोर" को पुराने "लक्ष्य तक की दूरी" के स्कोर के साथ जोड़कर सबसे अच्छा एक्शन चुनता है।

उन्होंने रोबोट को कैसे सिखाया

रोबोट को पूरे सफर की परवाह करना सिखाना मुश्किल है। आप उसे केवल यह नहीं कह सकते कि "दीवारों से न टकराओ" क्योंकि वह अभी तक यह नहीं जानता कि दीवार क्या है। इसलिए, शोधकर्ताओं ने प्रेफरेंस लर्निंग (preference learning) नामक एक चतुर तकनीक का उपयोग किया।

उन्होंने रोबोट को कहानियों के जोड़े दिखाए:

अच्छी कहानी: एक आदर्श पथ जहाँ रोबोट सफलतापूर्वक ब्लॉक को लक्ष्य तक धकेलता है।
बुरी कहानी: एक पथ जो समान दिखता है लेकिन उसमें एक गलती है (जैसे दीवार से टकराना) या एक पथ जो पूरी तरह से गलत लक्ष्य की ओर जाता है।

रोबोट से पूछा गया कि कौन सी कहानी बेहतर है। इन हजारों "यह उससे बेहतर है" वाले पाठों से, रोबोट ने अच्छे रास्तों को कम लागत और बुरे रास्तों को उच्च लागत असा करने का कौशल सीखा। उन्होंने रोबोट को एक सिम्युलेटेड वातावरण में योजना बनाने भी दिया, और यदि वह क्रैश हुआ, तो उन्होंने उस क्रैश को सीखने के लिए एक "बुरी कहानी" के रूप में सहेज लिया। यह एक वीडियो गेम खिलाड़ी की तरह है जो यह सीखता है कि खाई से क्यों नहीं कूदना है क्योंकि वह ऐसा करते हुए मर गया था, लेकिन इस बार रोबोट अपने स्वयं के सिम्युलेटेड गलतियों से सीख रहा है।

उन्हें क्या मिला

टीम ने इस नए रोबोट का परीक्षण चार अलग-अलग सिम्युलेटेड दुनिया में किया:

Push-T: एक T-आकार की वस्तु को लक्ष्य तक धकेलना।
OGBench-Cube: एक क्यूब को एक विशिष्ट स्थान पर ले जाना।
Reacher: एक रोबोटिक आर्म का लक्ष्य तक पहुँचना।
Two-Room: दो कमरों वाली भूलभुलैया में नेविगेट करना।

इन सिमुलेशन में, नया Traj-LeWM रोबोट पुराने LeWM की तुलना में काफी बेहतर था।

Cube कार्य पर, इसने सफलता दर में 14 प्रतिशत अंक का सुधार किया (74% से 88% तक)।
Reacher पर, इसने 7 प्रतिशत अंक का सुधार किया (86% से 93% तक)।
Two-Room पर, इसने 7 प्रतिशत अंक का सुधार किया (87% से 94% तक)।
Push-T पर, इसने 3 प्रतिशत अंक का सुधार किया (96% से 99% तक)।

उन्होंने वास्तविक दुनिया में एक वास्तविक भौतिक रोबोट (एक Franka FR3 आर्म) पर भी इसका परीक्षण किया। 20 वास्तविक कार्यों में, पुराने रोबोट ने 10 बार सफलता प्राप्त की (50%), जबकि नए Traj-LeWM रोबोट ने 14 बार सफलता प्राप्त की (70%)। हालांकि यह एक छोटा परीक्षण है, यह सुझाव देता है कि यह विधि कंप्यूटर सिमुलेशन के बाहर भी काम करती है।

यह क्यों महत्वपूर्ण है

यह पेपर दिखाता है कि रोबोट के वास्तव में स्मार्ट होने के लिए, वे केवल गंतव्य को नहीं देख सकते; उन्हें पूरे सफर का सम्मान करना होगा। रोबोट को उस पूरे पथ का मूल्यांकन करने के लिए शिक्षित करके जिसे वह प्लान कर रहा है, न कि केवल अंतिम स्थान का, यह जटिल वातावरण में जाल से बचने और नेविगेट करने में बहुत बेहतर हो जाता है।

शोधकर्ताओं ने पुष्टि की कि यह सुधार दो चीजों से आता है:

बेहतर सीखना: रोबोट ने दुनिया का एक बेहतर आंतरिक मानचित्र सीखा क्योंकि उसे केवल अंत के बजाय पूरे पथ की परवाह करने के लिए प्रशिक्षित किया गया था।
बेहतर प्लानिंग: भले ही रोबोट का भविष्य का अनुमान थोड़ा गलत था, "पूरे सफर" के स्कोर ने इसे सुरक्षित विकल्प चुनने में मदद की।

संक्षेप में, Traj-LeWM साबित करता है कि रोबोट प्लानिंग की दुनिया में, यह केवल इस बारे में नहीं है कि आप कहाँ पहुँचते हैं; यह इस बारे में भी है कि आप वहाँ कैसे पहुँचते हैं। रोबोट को एक ऊबड़-खाबड़, जोखिम भरे रास्ते के बजाय एक सुचारू, सुरक्षित पथ को पसंद करने का तरीका देकर, लेखकों ने रोबोट को जटिल, अप्रत्याशित वास्तविक दुनिया को संभालने में सक्षम बनाने की दिशा में एक महत्वपूर्ण कदम उठाया है।

Traj-LeWM का तकनीकी सारांश: लेटेंट ट्रजेक्टरी कॉस्ट के माध्यम से पाथ-अवेयर वर्ल्ड-मॉडल प्लानिंग

1. समस्या विवरण (Problem Statement)

यह शोध पत्र LeWM (लाइटवेट विजुअल वर्ल्ड मॉडल) की दो विशिष्ट सीमाओं को संबोधित करता है, जो एक जॉइंट-एम्बेडिंग प्रेडिक्टिव आर्किटेक्चर (JEPA) है। यह पिक्सेल से लेटेंट डायनेमिक्स सीखने के लिए उपयोग किया जाता है ताकि गोल-कंडीशन्ड प्लानिंग की जा सके। हालांकि LeWM सरल कार्यों पर मजबूत प्रदर्शन करता है, लेकिन अधिक जटिल वातावरणों में इसकी सफलता दर काफी गिर जाती है (जैसे, Push-T पर 96% से घटकर OGBench-Cube पर 74% हो जाना)। लेखकों ने इस गिरावट के दो मूल कारणों की पहचान की है:

ट्रैजेक्टरी-लेवल सुपरविजन की कमी: LeWM का प्रशिक्षण उद्देश्य नेक्स्ट-स्टेप प्रेडिक्शन (लोकल ट्रांजिशन) और एक रेगुलराइजेशन टर्म (SIGReg) पर निर्भर करता है जो रिप्रेजेंटेशन कोलैप्स को रोकता है। इनमें से कोई भी घटक स्पष्ट रूप से यह आवश्यक नहीं बनाता कि साझा एनकोडर (shared encoder) को टास्क गोल के सापेक्ष एक पूर्ण ट्रैजेक्टरी के बारे में जानकारी सुरक्षित रखनी चाहिए। फलस्वरूप, लेटेंट स्पेस को सीधे तौर पर एक पूर्ण संभावित ट्रैजेक्टरी की गुणवत्ता का आकलन करने के लिए प्रशिक्षित नहीं किया जाता है।
एंडपॉइंट-ओनली स्कोरिंग की संवेदनहीनता: प्लानिंग के दौरान, LeWM उम्मीदवार एक्शन सीक्वेंस को केवल प्रेडिक्टेड लेटेंट एंडपॉइंट और गोल रिप्रेजेंटेशन के बीच यूक्लिडियन डिस्टेंस के आधार पर रैंक करता है। यह दृष्टिकोण मध्यवर्ती पथ (intermediate path) की जानकारी को अनदेखा करता है। दो ट्रैजेक्टरीज जिनके एंडपॉइंट समान हैं लेकिन मध्यवर्ती विकास अलग-अलग हैं (एक सफल और एक विफल), उन्हें एक ही स्कोर प्राप्त होता है, जिससे उम्मीदवार चयन में उप-इष्टतम (suboptimal) परिणाम मिलते हैं जब मॉडल के अनुमान वास्तविक निष्पादन परिणामों से भिन्न होते हैं।

2. कार्यप्रणाली: Traj-LeWM (Methodology)

लेखक Traj-LeWM प्रस्तावित करते हैं, जो LeWM के मूल लोकल-डायनेमिक्स ऑब्जेक्टिव और एंडपॉइंट स्कोरिंग को बनाए रखते हुए एक गोल-कंडीशन्ड लेटेंट ट्रैजेक्टरी कॉस्ट (LTC) पेश करता है। यह विधि तीन चरणों में कार्य करती है:

A. गोल-कंडीशन्ड लेटेंट ट्रैजेक्टरी कॉस्ट (LTC)
मुख्य नवाचार एक सीखने योग्य स्केलर कॉस्ट फंक्शन, $S_\psi(\tau | g)$ है, जो एक दिए गए लक्ष्य $g$ के लिए एक पूर्ण लेटेंट ट्रैजेक्टरी $\tau$ का मूल्यांकन करता है। एंडपॉइंट डिस्टेंस के विपरीत, LTC पूरे पथ पर जानकारी को एकत्रित करता है। इसे इस प्रकार परिभाषित किया गया है:
$S_\psi(\tau | g) = \frac{1}{T} \sum_{t=0}^{T-1} \ell_\psi(z_t, \Delta z_t, d^g_t, \eta_t)$
जहाँ:

$z_t$ : वर्तमान लेटेंट स्टेट।
$\Delta z_t$ : लोकल इवोल्यूशन (समीपवर्ती अवस्थाओं के बीच का अंतर)।
$d^g_t = z_g - z_t$ : गोल-रिलेटिव मात्रा (कंडीशनिंग)।
$\eta_t$ : नॉर्मलाइज्ड टेम्पोरल फेज।
$\ell_\psi$ : एक सीखने योग्य नॉन-नेगेटिव प्रति-स्टेप कॉन्ट्रिब्यूशन फंक्शन।

यह संरचना लागत (cost) को इस आधार पर बदलने की अनुमति देती है कि स्टेट तक कैसे पहुँचा गया, न कि केवल इस आधार पर कि वह कहाँ समाप्त हुआ।

B. ट्रैजेक्टरी-प्रेफरेंस सुपरविजन
LTC को प्रशिक्षित करने और साझा एनकोडर को आकार देने के लिए, लेखक पेयरवाइज लॉजिस्टिक लॉस का उपयोग करते हुए एक प्रेफरेंस-आधारित लर्निंग मैकेनिज्म पेश करते हैं। सिस्टम "पसंदीदा" (एक्सपर्ट-मैच्ड) ट्रैजेक्टरीज को कम लागत और "नेगेटिव" ट्रैजेक्टरीज को उच्च लागत आवंटित करना सीखता है। दो प्रकार के नेगेटिव उदाहरणों का उपयोग किया जाता है:

सिंथेटिक प्रेफरेंस (Synthetic Preferences):
- गोल मिसमैच: एक एक्सपर्ट ट्रैजेक्टरी जिसे एक शिफ्टेड, असंबंधित गोल के साथ जोड़ा गया है।
- एंडपॉइंट-प्रिजर्विंग परटर्बेशन: एक एक्सपर्ट ट्रैजेक्टरी जिसमें मध्यवर्ती अवस्थाओं में शोर (noise) जोड़ा गया है (जबकि स्टार्ट/एंड फिक्स्ड हैं)। यह मॉडल को अलग-अलग मध्यवर्ती पथों के बीच अंतर करने के लिए मजबूर करता है, भले ही एंडपॉइंट समान हों।
क्लोज्ड-लूप फेल्योर प्रेफरेंस (Closed-Loop Failure Preferences):
- वर्तमान मॉडल केवल एंडपॉइंट स्कोरिंग (LTC के बिना) का उपयोग करके प्लानिंग करता है और वातावरण में प्लान को निष्पादित करता है।
- विफल निष्Executions (failed executions) को माइन किया जाता है और उन्हीं स्टार्ट और गोल वाली एक्सपर्ट ट्रैजेक्टरीज के साथ जोड़ा जाता है।
- ये वास्तविक दुनिया की विफलताएं नेगेटिव उदाहरण प्रदान करती हैं जिन्हें एंडपॉइंट-ओनली मेट्रिक पहचानने में विफल रहा था, जिससे मॉडल के विशिष्ट फेल्योर मोड्स के विरुद्ध LTC को कैलिब्रेट किया जाता है।

C. जॉइंट ट्रेनिंग और प्लानिंग

ट्रेनिंग: कुल लॉस मूल LeWM प्रेडिक्शन लॉस ( $L_{LeWM}$ ), सिंथेटिक प्रेफरेंस लॉस ( $L_{path}$ ), और माइंडेड फेल्योर लॉस ( $L_{mined}$ ) को जोड़ता है। सिंथेटिक ब्रांच दोनों LTC और साझा एनकोडर को अपडेट करती है, जबकि माइंडेड ब्रांच केवल LTC को अपडेट करती है (डिटैच्ड ग्रेडिएंट्स के माध्यम से) ताकि प्रेडिक्टर के डायनेमिक्स लर्निंग को बाधित होने से बचाया जा सके।
प्लानिंग: उम्मीदवारों को एक जॉइंट स्कोर का उपयोग करके रैंक किया जाता है:
$C_\lambda(\hat{\tau}, g) = C_0(\hat{\tau}, g) + \lambda \tilde{S}_\psi(\hat{\tau} | g)$
जहाँ $C_0$ मूल एंडपॉइंट डिस्टेंस है, और $\tilde{S}_\psi$ एक कैलिब्रेटेड LTC स्कोर है। यह प्लानर को तब मध्यवर्ती-पथ की जानकारी का उपयोग करने की अनुमति देता है जब एंडपॉइंट भविष्यवाणियां संदिग्ध या गलत होती हैं।

3. मुख्य योगदान (Key Contributions)

लेटेंट ट्रैजेक्टरी कॉस्ट (LTC): एक सीखा गया, गोल-कंडीशन्ड कॉस्ट पेश करना जो पूर्ण प्रेडिक्टेड ट्रैजेक्टरीज का मूल्यांकन करता है, जो पाथ-सेंसिटिव प्लानिंग सिग्नल प्रदान करने के लिए गोल-रिलेटिव लेटेंट इवोल्यूशन को एकत्रित करता है।
ट्रैजेक्टरी-प्रेफरेंस लर्निंग: एक मैकेनिज्म का विकास जो सिंथेटिक नेगेटिव्स (गोल मिसमैच और इंटरमीडिएट परटर्बेशन) और माइंडेड क्लोज्ड-लूप फेल्योर का उपयोग करके LTC को प्रशिक्षित करता है और मूल प्रेडिक्टर ऑब्जेक्टिव को बदले बिना साझा रिप्रेजेंटेशन को आकार देता है।
व्यापक मूल्यांकन: चार सिम्युलेटेड कार्यों (Push-T, OGBench-Cube, Reacher, Two-Room) और एक फिजिकल फ्रैंका FR3 रोबोट पर व्यापक परीक्षण, जो बेसलाइन की तुलना में सुधार प्रदर्शित करता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

सिमुलेशन परिणाम:
Traj-LeWM सभी चार कार्यों में LeWM से बेहतर प्रदर्शन करता है, सफलता दर में सुधार:

Push-T: +3% (96% $\to$ 99%)
OGBench-Cube: +14% (74% $\to$ 88%)
Reacher: +7% (86% $\to$ 93%)
Two-Room: +7% (87% $\to$ 94%)

रियल-रोबोट मूल्यांकन:
एक फिजिकल फ्रैंका FR3 पर 20 स्टार्ट-गोल कार्यों के साथ, Traj-LeWM ने LeWM के 50% (10/20) की तुलना में 70% सफलता दर (14/20) हासिल की। टकराव (collisions) के कारण होने वाली विफलताएं 20% से घटकर 10% हो गईं।

नियंत्रित प्रयोग और एब्लेशन (Ablations):

रिप्रेजेंटेशन शेपिंग (Gap 1): भले ही टेस्ट टाइम पर LTC को हटा दिया जाए, Traj-LeWM का साझा एनकोडर (जो ट्रैजेक्टरी प्रेफरेंस के साथ प्रशिक्षित है) LeWM की तुलना में सफलता बनाम विफलता को अलग करने के लिए उच्च AUC वाले एंडपॉइंट स्कोर उत्पन्न करता है।
पाथ अवेयरनेस (Gap 2): जब एंडपॉइंट भविष्यवाणियां गलत होती हैं, तो LTC जोड़ने से उम्मीदवारों का सही क्रम सुधर जाता है। "एंडपॉइंट-कंट्रोल्ड" परीक्षणों में (जहाँ स्टार्ट और एंड स्टेट समान हैं), LTC सफलतापूर्वक Reacher पर 94% से अधिक मामलों में सफल और विफल ट्रैजेक्टरीज के बीच अंतर करता है, जो सिद्ध करता है कि यह मध्यवर्ती पथ की जानकारी का उपयोग करता है।
पूरकता (Complementarity): एब्लेशन अध्ययन दिखाते हैं कि ट्रैजेक्टरी सुपरविजन (ट्रेनिंग) और स्पष्ट LTC रैंकिंग (प्लानिंग) पूरक हैं। जॉइंट स्कोर सबसे अच्छा परिणाम देता है, जो दर्शाता है कि वे एक-दूसरे के विकल्प नहीं हैं।

5. महत्व और दावे (Significance and Claims)

यह शोध पत्र दावा करता है कि Traj-LeWM सफलतापूर्वक लोकल-डायनेमिक्स-ओनली वर्ल्ड मॉडल्स की सीमाओं को संबोधित करता है, क्योंकि यह रिप्रेजेंटेशन लर्निंग और कैंडिडेट रैंकिंग दोनों में ट्रैजेक्टरी-लेवल जानकारी को एकीकृत करता है।

मामूली दावे: लेखक स्पष्ट रूप से कहते हैं कि युग्मित कार्यों (20) की सीमित संख्या के कारण वास्तविक-रोबोट परिणाम "निष्कर्षपूर्ण प्रदर्शन लाभ के बजाय वास्तविक-रोबोट व्यवहार्यता के प्रारंभिक प्रमाण" हैं।
मुख्य अंतर्दृष्टि: यह कार्य प्रदर्शित करता है कि विश्वसनीय प्लानिंग के लिए एंडपॉइंट डिस्टेंस अकेले पर्याप्त नहीं है। पूर्ण लेटेंट रोलआउट्स पर एक कॉस्ट सीखकर, मॉडल उम्मीदवारों को अधिक प्रभावी ढंग से रैंक करने के लिए मध्यवर्ती-पथ साक्ष्य का लाभ उठा सकता है, विशेष रूप से तब जब एंडपॉइंट भविष्यवाणियां अनिश्चित या गलत हों।
दक्षता: यह विधि मॉडल में 1M से कम पैरामीटर जोड़ती है, जिससे मूल LeWM के समान हल्का आर्किटेक्चर बना रहता है, जबकि चुनौतीपूर्ण मैनिपुलेशन और नेविगेशन कार्यों में प्रदर्शन को काफी बढ़ावा मिलता है।