PhaseLoRA: Control-Regime-Conditioned Low-Rank Adaptation for Continuous-Action Vision-Language-Action Policies
यह शोध पत्र PhaseLoRA का प्रस्ताव करता है, जो निरंतर-एक्शन विजन-लैंग्वेज-एक्शन पॉलिसियों के लिए एक पैरामीटर-कुशल फाइन-ट्यूनिंग विधि है, जो हेरफेर कार्यों (manipulation tasks) के विशिष्ट चरणों को बेहतर ढंग से संभालने के लिए फाइन-कंट्रोल प्रवृत्ति और इवेंट इंटेंसिटी पर लो-रैंक एडेप्टेशन को गतिशील रूप से कंडिशन करता है, जिससे स्टैटिक बेसलाइनों की तुलना में बेहतर प्रदर्शन 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
रोबोट जो देख सकते हैं, भाषा समझ सकते हैं और अपने हाथों को चला सकते हैं, वे अब केवल विज्ञान कथा (साइंस फिक्शन) नहीं रह गए हैं; वे एक वास्तविकता बनते जा रहे हैं। ये मशीनें, जिन्हें अक्सर विजन-लैंग्वेज-एक्शन मॉडल कहा जाता है, एक इंसान द्वारा कही गई बात और रोबोट द्वारा किए जाने वाले कार्य के बीच एक सेतु का काम करती हैं। वे एक कैमरा फीड और एक मौखिक निर्देश लेते हैं, और फिर यह तय करते हैं कि कार्य को पूरा करने के लिए उन्हें अपने ग्रिपर्स (पकड़ने वाले यंत्रों) को कैसे चलाना है। हालाँकि, इन शक्तिशाली प्रणालियों को विशिष्ट, नाजुक कार्यों को करने के लिए सिखाना महंगा और कठिन है। मानक दृष्टिकोण में एक विशाल, पूर्व-प्रशिक्षित मस्तिष्क को लेना और हर नए कार्य के लिए उसे शून्य से फिर से प्रशिक्षित करना शामिल है, जो एक ऐसी प्रक्रिया है जिसके लिए अत्यधिक कंप्यूटिंग शक्ति और डेटा की आवश्यकता होती है। इस समस्या को हल करने के लिए, शोधकर्ताओं ने 'फाइन-ट्यूनिंग' नामक एक तकनीक की ओर रुख किया है, जो रोबोट के मौजूदा ज्ञान को फिर से लिखने के बजाय उसमें एक छोटी, विशिष्ट नोटबुक जोड़ने जैसा है। यह विधि कुशल है, लेकिन एक नया अध्ययन बताता है कि इन नोटबुक्स का उपयोग करने का वर्तमान तरीका बहुत कठोर है। यह रोबोट की गति के हर क्षण को ऐसे मानता है जैसे कि वह एक समान हो, इस तथ्य को नजरअंदाज करते हुए कि एक कार्य, जैसे कि कप उठाना, चरणों की एक श्रृंखला से गुजरता है, जिसमें बाहर तक पहुँचने से लेकर उंगलियों को धीरे से बंद करने तक के बहुत अलग भौतिक चरण शामिल होते हैं।
त्सिंहहुआ विश्वविद्यालय के शोधकर्ताओं की एक टीम ने इस कठोरता को ठीक करने के लिए 'फेज़लोरा' (PhaseLoRA) नामक एक नई विधि विकसित की है। उन्होंने महसूस किया कि एक रोबट के नियंत्रण की आवश्यकताएं जैसे-जैसे वह किसी कार्य के माध्यम से आगे बढ़ता है, निरंतर बदलती रहती हैं। जब एक रोबोट केवल अपना हाथ हवा में घुमा रहा होता है, तो उसे व्यापक, मोटे समायोजन की आवश्यकता होती है। लेकिन जिस क्षण वह किसी वस्तु को छूता है या उसे मेज पर धीरे से रखने की कोशिश करता है, आवश्यक सटीकता नाटकीय रूप से बदल जाती है। पुराने तरीके पूरे मूवमेंट के दौरान एक ही तरह के छोटे समायोजन लागू करते थे, जैसे कि कार चलाने के लिए स्टीयरिंग व्हील को एक ही स्थिति में लॉक कर देना। नया दृष्टिकोण रोबोट को स्थिति के विकसित होने के साथ अपना "स्टीयरिंग" गतिशील रूप से बदलने की अनुमति देता है। एक स्थिर नोटबुक के बजाय, फेज़लोरा रोबोट को यह महसूस करने का एक तरीका देता है कि वह किस तरह के क्षण में है—चाहे वह किसी वस्तु के करीब पहुंच रहा हो, संपर्क बना रहा हो, या उसे रख रहा हो—और उस विशिष्ट पल के लिए यह तुरंत तय करता है कि उसे कैसे सीखना और कार्य करना है।
शोधकर्ताओं ने इन विचारों का परीक्षण मेज पर वस्तुओं को इधर-उधर ले जाने वाले मानक रोबोट कार्यों के एक सेट पर किया। उन्होंने अपने नए तरीके की तुलना सबसे अच्छी मौजूदा तकनीकों से की, जिसमें एक ऐसा संस्करण भी शामिल था जो अधिक विवरण सीखने के लिए केवल अधिक कंप्यूटिंग शक्ति का उपयोग करता था। परिणाम आश्चर्यजनक थे। इन सिमुलेशन में, नया तरीका मानक दृष्टिकोणों की तुलना में काफी अधिक बार कार्यों को सफलतापूर्वक पूरा करने में सफल रहा। इसने पुराने तरीके के अधिक शक्तिशाली, उच्च-क्षमता वाले संस्करण को बड़े अंतर से पछाड़ दिया, जिससे यह सिद्ध हुआ कि सुधार रोबोट के व्यवहार को समायोजित करने के स्मार्ट तरीके से आया, न कि केवल अधिक कच्चे डेटा को जोड़ने से। टीम ने एक प्रयोगशाला सेटिंग में एक वास्तविक भौतिक रोबोट आर्म पर भी इस प्रणाली का परीक्षण किया। जबकि वास्तविक दुनिया का परीक्षण कंप्यूटर सिमुलेशन की तुलना में बहुत अधिक कठिन और अप्रत्याशित होता है, नए तरीके ने अभी भी स्पष्ट लाभ दिखाया, जो पुराने तरीके के लगभग पचास प्रतिशत की तुलना में लगभग सत्तर प्रतिशत प्रयासों में सफल रहा। यह सुझाव देता है कि गति के विभिन्न चरणों के अनुकूल होने की क्षमता केवल एक कंप्यूटर ट्रिक नहीं है, बल्कि एक वास्तविक सुधार है जो तब काम करता है जब रोबोट वास्तव में एक भौतिक वस्तु को पकड़े हुए होता है।
इसे बिना किसी इंसान द्वारा रोबोट की गति के हर सेकंड को मैन्युअल रूप से लेबल किए, काम करने योग्य बनाने के लिए, टीम ने सिस्टम को इन चरणों को अपने आप पहचानने के लिए सिखाया। उन्होंने एक हल्का सहायक सिस्टम बनाया जो रोबोट की क्रियाओं पर नज़र रखता है और अनुमान लगाता है कि वर्तमान क्षण में सूक्ष्म नियंत्रण की आवश्यकता है या कोई अचानक घटना, जैसे कि टक्कर या रिलीज, हो रही है। इस सहायक को सटीक लेबल की आवश्यकता नहीं है; इसे केवल मोटे तौर पर सही होने की आवश्यकता है। यह देखता है कि रोबोट कितनी तेजी से चल रहा है और उसकी क्रियाओं में कितना अचानक बदलाव आ रहा है। यदि रोबोट धीरे और सावधानी से चल रहा है, तो सिस्टम जानता है कि वह एक नाजुक चरण में है। यदि रोबोट झटके से चलता है या अचानक रुक जाता है, तो सिस्टम जानता है कि एक संक्रमण (ट्रांजिशन) हो रहा है। इन अनुमानों के आधार पर, सिस्टम वास्तविक समय में रोब manera के सीखने के समायोजनों को नया आकार देता है। शोधकर्ताओं ने पाया कि यदि वे इन स्मार्ट अनुमानों को यादृच्छिक संख्याओं (रैंडम नंबर्स) से बदल देते, तो रोबोट का प्रदर्शन गिर जाता, जिससे यह सिद्ध होता कि सिस्टम वास्तव में व्यवहार बदलने के सही क्षणों को पहचानने के लिए सीख रहा था। उन्होंने यह भी दिखाया कि पुराने, स्थिर समायोजनों की तीव्रता को केवल कम या ज्यादा करना पर्याप्त नहीं था; रोबोट को अपने सीखने की दिशा को वास्तव में बदलना था, न कि केवल उसकी तीव्रता को।
यह अध्ययन रोबोटों को अधिक सक्षम और कुशल बनाने के लिए एक स्पष्ट मार्ग प्रदान करता है। रोबोट को यह समझने की अनुमति देकर कि एक कार्य विभिन्न अध्यायों से बना है, जिनमें से प्रत्येक के लिए अलग प्रकार के ध्यान की आवश्यकता होती है, शोधकर्ताओं ने दिखाया है कि हम बहुत अधिक नए डेटा या कंप्यूटिंग शक्ति की आवश्यकता के बिना बहुत बेहतर प्रदर्शन प्राप्त कर सकते हैं। यह कार्य सुझाव देता है कि रोबोट लर्निंग का भविष्य केवल बड़े मस्तिष्क बनाने में नहीं है, बल्कि उन्हें उस भौतिक दुनिया के बदलते स्वरूप के प्रति अधिक जागरूक बनाने में है जिसमें वे रहते हैं। जैसे-जैसे ये प्रणालियाँ सिमुलेशन से वास्तविक कारखानों और घरों की ओर बढ़ेंगी, व्यापक गतिविधियों और सूक्ष्म स्पर्शों के बीच सहजता से स्विच करने की क्षमता वास्तविक जीवन की अनिश्चितताओं को संभालने के लिए आवश्यक होगी।
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।