Hydra: A Navigation World Action Model with Discrete Latent Planning and Continuous Flow-Matching Execution

रोबोट लंबे समय से जीवित प्राणियों की तरह दूरदर्शिता के साथ दुनिया में चलने के लिए संघर्ष करते रहे हैं। जबकि आधुनिक मशीनें जो वे देखती हैं उस पर तुरंत प्रतिक्रिया दे सकती हैं, उनमें अक्सर यह कल्पना करने की क्षमता की कमी होती है कि आगे क्या होगा। पारंपरिक नेविगेशन सिस्टम एक ऐसे ड्राइवर की तरह काम करते हैं जो केवल कार के ठीक सामने की सड़क को देखता है, बाधाओं के सामने आने पर उन पर प्रतिक्रिया तो देता है लेकिन किसी डेड एंड (बंद रास्ते) के आसपास रास्ता बनाने की योजना तब तक नहीं बना पाता जब तक कि बहुत देर न हो जाए। रोबोट को इस तरह की दूरदर्शिता देने के लिए, वैज्ञानिकों ने "वर्ल्ड मॉडल्स" विकसित किए हैं, जो मूल रूप से आंतरिक सिम्युलेटर हैं जो एक मशीन को हिलने-डुलने से पहले विभिन्न भविष्यों की कल्पना करने देते हैं। हालांकि, एक बड़ी बाधा ने इन सिम्युलेटरों को भौतिक रोबोटों पर वास्तविक समय (रियल-टाइम) में उपयोग करने से रोक रखा है: इन कल्पित भविष्यों की जांच करने की प्रक्रिया बहुत धीमी है। वर्तमान तरीकों में रोबोट को हजारों संभावित पथ उत्पन्न करने होते हैं, सुरक्षा की जांच करने के लिए प्रत्येक को एक विस्तृत छवि में बदलना होता है, और फिर खराब रास्तों को हटा देना होता है। छवियों को बनाने और जांचने का यह चक्र इतना गणनात्मक रूप से भारी है कि इससे रोबोट स्थिर (फ्रीज) हो जाता है, जिससे वास्तविक समय में नेविगेशन असंभव हो जाता है।

हाइड्रा (Hydra) नामक एक नया दृष्टिकोण, जिसे कई विश्वविद्यालयों के शोधकर्ताओं द्वारा विकसित किया गया है, इस समस्या को हल करता है क्योंकि यह रोबोट के चलने के तरीके के बारे में सोचने के ढंग को बदल देता है। हर संभावित भविष्य को हाई-डेफिनिशन विवरण में कल्पना करने के बजाय, हाइड्रा व्यापक, विविक्त (डिस्क्रीट) अवधारणाओं में सोचना सीखता है, ठीक वैसे ही जैसे एक इंसान "बाएं मोड़" या "सीधे पथ" के बारे में सोच सकता है, बजाय इसके कि वह पहियों के घूमने के सटीक कोण की गणना करे। शोधकर्ताओं ने एक ऐसा सिस्टम बनाया है जहाँ रोबोट का प्लानर स्वयं सिम्युलेटर के भीतर रहता है, जो पिक्सेल के विशाल, खुले स्थान के बजाय संभावनाओं के एक संकुचित, अमूर्त मानचित्र के भीतर सर्वोत्तम पथ की खोज करता है। यह रोबोट को एक सेकंड के बहुत छोटे हिस्से में हजारों संभावित भविष्यों का मूल्यांकन करने की अनुमति देता है, और खतरनाक रास्तों को पूरी तरह से चित्रित होने से पहले ही हटा देता है। एक बार जब एक सुरक्षित पथ चुन लिया जाता है, तो सिस्टम उस अमूर्त अवधारणा को वापस उन निरंतर गतिविधियों में अनुवादित कर देता है जिन्हें रोबोट के मोटर्स निष्पादित कर सकते हैं।

मुख्य नवाचार उस तकनीक में निहित है जिसे लेखक "डिस्क्रीट लेटेंट प्लानिंग" कहते हैं। पिछले सिस्टमों में, एक रोबोट जो गलियारे में नेविगेट करने की कोशिश कर रहा है, वह संभावित पथों की एक निरंतर धारा उत्पन्न कर सकता है, जिनमें से कई उसे सीधे दीवार से टकरा देंगे। सिस्टम को फिर प्रत्येक पथ को एक दृश्य छवि में रेंडर करना पड़ता था ताकि यह देखा जा सके कि टक्कर हुई या नहीं, जो एक चलते हुए रोबोट के लिए बहुत लंबा समय लेने वाली प्रक्रिया थी। हाइड्रा इस बाधा को टालने के लिए अपनी भविष्यवाणियों को एक विशेष फिल्टर के माध्यम से गुजारता है जो समान गतिविधियों को इरादों (इंटेंट्स) के एक छोटे, निश्चित शब्दकोश (वोकैबुलरी) में समूहित करता है। जब रोबोट एक भविष्य पर विचार करता है, तो वह दुर्घटना की धुंधली छवि उत्पन्न नहीं करता है; इसके बजाय, वह उसके सीखे हुए शब्दकोश से एक 'टोकन' चुनता है जो एक "सुरक्षित मोड़" या "टक्कर" का प्रतिनिधित्व करता है। क्योंकि ये टोकन भौतिक रूप से संभव क्रियाओं की एक सीमित सूची से लिए जाते हैं, रोबोट तुरंत पहचान सकता है कि दीवार की ओर ले जाने वाला पथ अमान्य है, बिना कभी भी टक्कर को विज़ुअलाइज़ किए। निरंतर अनुमान लगाने से विविक्त चयन की ओर यह बदलाव सिस्टम को खतरनाक विकल्पों को लगभग तुरंत छांटने की अनुमति देता है, जिससे इसकी कंप्यूटिंग शक्ति केवल उन रास्तों पर केंद्रित होती है जो पहले से ही व्यवहार्य ज्ञात हैं।

यह सुनिश्चित करने के लिए कि ये अमूर्त विकल्प सुचारू भौतिक गति में बदल जाएं, हाइड्रा इस डिस्क्रीट प्लानिंग को एक निरंतर निष्पादन (कंटीन्यूअस एक्जीक्यूशन) पद्धति के साथ जोड़ता है। एक बार जब रोबोट सबसे अच्छा अमूर्त पथ चुन लेता है, तो एक माध्यमिक सिस्टम उस विकल्प को उन सटीक, तरल कमांड्स में बदल देता है जो पहियों को चलाने के लिए आवश्यक हैं। यह दो-चरणीय प्रक्रिया—एक सरलीकृत, अमूर्त स्थान में योजना बनाना और फिर वास्तविक दुनिया में निष्पादित करना—रोबोट को एक प्रतिक्रियाशील ड्राइवर की गति के साथ एक सिम्युलेटर की सुरक्षा बनाए रखने की अनुमति देती है। शोधकर्ताओं ने इस सिस्टम का परीक्षण दो अलग-अलग भौतिक रोबोटों पर किया, एक पहिये वाले वाहन और एक चार पैरों वाले कुत्ते जैसे रोबोट पर, विभिन्न वातावरणों सहित जिसमें संकीर्ण गलियारे और छिपे हुए अवरोध वाले क्षेत्र शामिल थे। इन परीक्षणों में, सिस्टम ने एक सेकंड से कम समय में लगभग आठ मीटर दूर के लक्ष्यों तक टक्कर-मुक्त पथ सफलतापूर्वक नियोजित किया, जो कि पूर्ण छवियों को उत्पन्न करने और जांचने पर निर्भर पिछले तरीकों की तुलना में लगभग पांच सौ गुना तेज है।

इन भौतिक परीक्षणों के परिणाम पुराने सोचने के तरीके और नए के बीच एक महत्वपूर्ण अंतर को उजागर करते हैं। जब शोधकर्ताओं ने हाइड्रा की तुलना मौजूदा सिस्टम से की जो निरंतर सैंपलिंग का उपयोग करते हैं, तो पुराने तरीके बाधाओं के चारों ओर नेविगेट करने में विफल रहे, और अक्सर टकरा गए क्योंकि वे असंभव पथों की गणना करने में बहुत अधिक समय बिताते थे। इसके विपरीत, हाइड्रा ने बाधा रहित वातावरणों में सफलता की दर हासिल की और अधिकांश परीक्षणों में छिपे हुए कोनों और बाधाओं के चारों ओर सफलतापूर्वक नेविगेट किया। सिस्टम संभावित टक्करों का पता लगाने में भी सक्षम था, यह देखते हुए कि प्रस्तावित पथ उसके सीखे हुए सुरक्षित आंदोलनों के शब्दकोश में फिट नहीं बैठता है, एक ऐसा संकेत जो शारीरिक रूप से टकराने से बहुत पहले दिखाई दिया। दृश्य उपस्थिति के बजाय अमूर्त संरचना के आधार पर असुरक्षित पथों को अस्वीकार करने की इस क्षमता ने निर्णय लेने की प्रक्रिया को धीमा किए बिना सुरक्षा सुनिश्चित करने का एक मजबूत तरीका साबित किया।

इन सफलताओं के बावजूद, शोधकर्ता स्वीकार करते हैं कि यह सिस्टम त्रुटिहीन नहीं है। गतिविधियों को एक निश्चित शब्दकोश में समूहित करने की विधि का अर्थ है कि रोबोट कभी-कभी एक वास्तविक बाधा और एक दृश्य रूप से जटिल लेकिन सुरक्षित क्षेत्र (जैसे घनी झाड़ियों का पैच) के बीच अंतर करने में संघर्ष करता है। चूंकि सिस्टम इस बात पर निर्भर करता है कि उसके अमूर्त कोड से किसी दृश्य को पुनर्गठित करना कितना कठिन है, अत्यधिक बनावट वाले वातावरण कभी-कभी गलत अलार्म ट्रिगर कर सकते हैं, जिससे रोबोट वहां हिचकिचा सकता है जहां वह सुरक्षित रूप से गुजर सकता था। इसके अतिरिक्त, वर्तमान सिस्टम लोगों जैसी गतिशील वस्तुओं का प्रतिनिधित्व करने में कठिनाई महसूस करता है, अक्सर उन्हें एक अलग इकाई के रूप में देखने के बजाय पृष्ठभूमि के रूप में सुचारू (स्मूथ) कर देता है। ये चुनौतियां बताती हैं कि हालांकि डिस्क्रीट दृष्टिकोण एक शक्तिशाली कदम है, भविष्य के संस्करणों को मानवीय वातावरण की पूरी जटिलता को संभालने के लिए अपने विश्व प्रतिनिधित्व को परिष्कृत करने की आवश्यकता होगी।

अंततः, यह कार्य प्रदर्शित करता है कि रोबोट पिक्सेल के बजाय अवधारणाओं में सोचकर वास्तविक समय में, लक्ष्य-निर्देशित योजना प्राप्त कर सकते हैं। नेविगेशन प्रक्रिया को सिम्युलेटर के भीतर लाकर और खोज को वैध आंदोलनों के सीखे गए सेट तक सीमित करके, शोधकर्ताओं ने एक ऐसा सिस्टम बनाया है जो तेज़ भी है और सुरक्षित भी। निष्कर्ष बताते हैं कि भौतिक रोबोटों के लिए वर्ल्ड मॉडल्स को स्केल करने की कुंजी उन्हें अधिक विस्तृत बनाना नहीं है, बल्कि उन्हें अधिक संरचित बनाना है, जिससे वे भविष्य की कल्पना इस तरह से कर सकें जो गणनात्मक रूप से कुशल और भौतिक रूप से ठोस हो। यह दृष्टिकोण उन रोबोटों की ओर एक आशाजनक मार्ग प्रदान करता है जो उसी तरह की सहज दूरदर्शिता के साथ वास्तविक दुनिया में नेविगेट कर सकते हैं जैसा कि मनुष्य प्रतिदिन उपयोग करते हैं।