Geo-VLA: Geometry-Aware Vision-Language-Action Planning via Internalization of Map Semantics

कार चलाने के लिए केवल सामने की सड़क को देखना ही काफी नहीं है; इसके लिए उन अदृश्य नियमों की समझ होना भी आवश्यक है जो गति को नियंत्रित करते हैं। एक वाहन को यह पता होना चाहिए कि लेन कहाँ समाप्त होती है, एक मोड़ कैसे मुड़ेगा, और विभिन्न सड़कें एक चौराहे पर कैसे जुड़ती हैं। दशकों से, इंजीनियर कंप्यूटर को कैमरे दिखाकर उन्हें गाड़ी चलाना सिखाने का प्रयास कर रहे हैं, लेकिन कैमरे केवल वही पकड़ पाते हैं जो उस क्षण में दृश्यमान है। वे सड़क की स्थायी संरचना को समझने में संघर्ष करते हैं, जैसे कि एक मोड़ के आसपास लेन का सटीक पथ या किसी जटिल जंक्शन के विशिष्ट नियम। देखने और उसकी ज्यामिति (geometry) को समझने के बीच का यह अंतर पूर्णतः स्वायत्त ड्राइविंग (fully autonomous driving) को जटिल वातावरणों में एक विश्वसनीय वास्तविकता बनने से रोके हुए है। शोधकर्ता अब एक नए दृष्टिकोण की ओर मुड़ रहे है जो दृष्टि (vision) को भाषा के साथ जोड़ता है, जिसमें ऐसे बड़े मॉडल्स का उपयोग किया जाता है जो ड्राइविंग निर्णय लेने के लिए छवियों के बारे में "पढ़" और "तर्क" कर सकते हैं। हालाँकि, ये उन्नत प्रणालियाँ भी अक्सर विफल हो जाती हैं जब सड़क तेजी से मुड़ती है या जब कोई चौराहा कठिन होता है, क्योंकि वे सड़क की अंतर्निहित आकृति के बजाय उसके दृश्य स्वरूप (visual appearance) पर बहुत अधिक निर्भर करती हैं।

बीजिंग यूनिवर्सिटी ऑफ साइंस एंड टेक्नोलॉजी के शोधकर्ताओं ने इस विशिष्ट समस्या को हल करने के लिए 'जियो-वीएलए' (Geo-VLA) नामक एक नई विधि विकसित की है। उनका लक्ष्य इन ड्राइविंग मॉडल्स को भारी, पूर्व-निर्मित डिजिटल मानचित्रों को निरंतर अपडेट करने और जटिल हार्डवेयर के उपयोग के बिना, सड़क की ज्यामिति को समझना सिखाना था। कार को चलते समय देखने के लिए मानचित्र देने के बजाय, शोधकर्ताओं ने कार को उसके प्रशिक्षण चरण के दौरान मानचित्र को "आंतरिक रूप से आत्मसात" करना सिखाया। उन्होंने 'जियो-क्यूए' (Geo-QA) नामक एक विशेष डेटासेट बनाया, जो ड्राइविंग कैमरा छवियों को ऑफलाइन मानचित्र डेटा से प्राप्त प्रश्नों और उत्तरों के साथ जोड़ता है। ये प्रश्न सड़क की स्थिर संरचना पर केंद्रित हैं, जैसे कि एक लेन कैसे मुड़ती है या चलने योग्य क्षेत्र कहाँ समाप्त होता है। मॉडल को इन प्रश्नों के उत्तर देने के लिए प्रशिक्षित करके, सिस्टम सड़क के आकार और कनेक्शनों को इस तरह पहचानना सीख जाता है जैसे कि वह एक मानचित्र पढ़ रहा हो, भले ही वास्तविक ड्राइविंग के दौरान वह केवल एक कैमरा छवि ही देख रहा हो।

यह प्रक्रिया दो अलग-अलग चरणों में काम करती है। सबसे पहले, मॉडल को हजारों इमेज-प्रश्न-उत्तर जोड़ों के संपर्क में लाया जाता है। यह सड़क के दृश्य विवरणों को मानचित्र डेटा में पाए जाने वाले सटीक ज्यामितीय तथ्यों के साथ जोड़ना सीखता है। यह चरण सड़क की संरचना के एक गहन पाठ की तरह कार्य करता है, जिससे मॉडल को यह समझने में मदद मिलती है कि सड़कें कैसे व्यवस्थित हैं। एक बार यह सीखना पूरा हो जाने के बाद, शोधकर्ता इस नई समझ को सुरक्षित (lock in) कर देते हैं और इसका उपयोग मॉडल को कार चलाने के तरीके सिखाने के लिए करते हैं। महत्वपूर्ण बात यह है कि जब कार को सड़क पर परीक्षण के लिए रखा जाता है, तो उसे किसी भी मानचित्र डेटा, किसी अतिरिक्त सेंसर, या सड़क की जानकारी खोजने के लिए किसी जटिल सॉफ्टवेयर की आवश्यकता नहीं होती है। वह बस अपने सामने वाले कैमरे से देखता है, जैसा कि वह पहले करता था, लेकिन अब इसकी आंतरिक तर्क प्रक्रिया प्रशिक्षण के दौरान अवशोषित किए गए ज्यामितीय ज्ञान द्वारा निर्देशित होती है। इसका अर्थ है कि सिस्टम सरल और तेज़ बना रहता है, जिससे लाइव वीडियो को वास्तविक समय में डिजिटल मानचित्र के साथ मिलाने से होने वाली देरी और त्रुटियों से बचा जा सकता है।

इस दृष्टिकोण के परिणामों का परीक्षण 'नेविम v1' (NAVSIM v1) नामक एक मानक ड्राइविंग सिमुलेशन प्लेटफॉर्म पर किया गया। शोधकर्ताओं ने अपने नए तरीके की तुलना उन मौजूदा प्रणालियों से की जो हाई-डेफिनिशन मानचित्रों या अन्य जटिल इनपुट पर निर्भर करती हैं। जियो-वीएलए प्रणाली ने अपने पूर्ववर्तियों को लगातार पछाड़ दिया, और एक व्यापक मीट्रिक पर 92.1 का स्कोर प्राप्त किया जो सुरक्षा, आराम और प्रगति को मापता है। यह स्कोर सिंगल-कैमरा ड्राइविंग प्लानर्स के लिए एक नया उच्च स्तर है, जो पिछले रिकॉर्डों को थोड़े लेकिन महत्वपूर्ण अंतर से पीछे छोड़ देता है। यह प्रणाली विशेष रूप से मोड़ों और चौराहों पर नेविगेट करने में प्रभावी सिद्ध हुई, जहाँ पुराने मॉडल अक्सर रास्ते से भटक जाते थे या सही पथ का पालन करने में विफल रहते थे। कच्चे मानचित्र डेटा के बजाय भाषा और प्रश्नों के माध्यम से सड़क के नियमों को सीखकर, मॉडल ने ऐसे प्रक्षेपवक्र (trajectories) बनाए जो इच्छित लेन के करीब रहे और सड़क की भौतिक सीमाओं का सम्मान करते रहे।

अध्ययन से यह भी पता चला कि मॉडल को गतिशील वस्तुओं जैसे कि अन्य कारों या पैदल यात्रियों के बारे में सिखाने की तुलना में, उसे स्थिर सड़क संरचनाओं के बारे में सिखाना कहीं अधिक महत्वपूर्ण था। जब शोधकर्ताओं ने एक ऐसे संस्करण का परीक्षण किया जो केवल गतिशील तत्वों पर केंद्रित था, तो प्रदर्शन में कोई सुधार नहीं हुआ। यह सुझाव देता है कि जबकि मॉडल पहले से ही चलती चीजों को काफी अच्छी तरह से देख सकता है, वह विशिष्ट मार्गदर्शन के बिना सड़क की निश्चित ज्यामिति को समझने में संघर्ष करता है। जियो-वीएलए पद्धति प्रशिक्षण के दौरान वह मार्गदर्शन प्रदान करके इस कमी को पूरा करती है, जिससे सिस्टम अधिक सुरक्षित और कुशल निर्णय लेने में सक्षम होता है। शोधकर्ताओं का कहना है कि उनका दृष्टिकोण उन मानचित्र डेटा की गुणवत्ता पर निर्भर करता है जिसका उपयोग प्रशिक्षण प्रश्नों को बनाने के लिए किया जाता है, और भविष्य के कार्यों में यह परीक्षण करना होगा कि सिस्टम अन्य मानव ड्राइवरों के साथ संवादात्मक यातायात में कैसा व्यवहार करता है। हालाँकि, फिलहाल के लिए, यह अध्ययन प्रदर्शित करता है कि एक कार बातचीत और प्रश्नों के माध्यम से सड़क के आकार को सीख सकती है, और उस ज्ञान को एक शांत, अदृश्य मार्गदर्शक के रूप में अपने साथ ले जा सकती है।