💻 computer science

DriftingVLA: Native One-Step Vision-Language-Action Generation via Per-Dimension Temporal Drifting

DriftingVLA एक नेटिव वन-स्टेप विजन-लैंग्वेज-एक्शन मॉडल है जो सिंगल फॉरवर्ड पास में पूर्ण एक्शन चंक्स जेनरेट करने के लिए पर-डायमेंशन टेम्पोरल ड्रिफ्टिंग के साथ एक डिस्ट्रीब्यूशन-ड्रिफ्टिंग ऑब्जेक्टिव का उपयोग करता है, जो बेंचमार्क कार्यों पर अत्याधुनिक प्रदर्शन प्राप्त करते हुए पारंपरिक मल्टी-स्टेप फ्लो-आधारित विधियों की तुलना में 3.36-गुना गति वृद्धि प्रदान करता है।

मूल लेखक: Yuxuan Gao, Shiqi Zhang, Yedong Shen, Yifan Duan, Wenhao Yu, Xin Zhang, Siyuan Cao, Jiajun Deng, Yanyong Zhang

प्रकाशित 2026-09-01

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yuxuan Gao, Shiqi Zhang, Yedong Shen, Yifan Duan, Wenhao Yu, Xin Zhang, Siyuan Cao, Jiajun Deng, Yanyong Zhang

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 मानवीय प्रवाह के साथ चल सकते हैं, लंबे समय से आर्टिफिशियल इंटेलिजेंस का एक सपना रहे हैं। वर्षों से, शोधकर्ताओं ने ऐसे सिस्टम बनाए हैं जो रोबोटिक भुजाओं को नियंत्रित करने की क्षमता के साथ शक्तिशाली दृश्य और भाषाई समझ को जोड़ते हैं। ये सिस्टम, जिन्हें विजन-लैंग्वेज-एक्शन मॉडल कहा जाता है, रोबोट के मस्तिष्क के रूप में कार्य करते हैं, जो कैमरा जो देखता है और इंसान जो बोलता है उसे ग्रहण करते हैं, और फिर किसी कार्य को पूरा करने के लिए रोबोट के जोड़ों को कैसे हिलाना है, इसका निर्णय लेते हैं। हालाँकि, एक महत्वपूर्ण बाधा इन मशीनों को वास्तविक समय की प्रतिक्रियाशीलता से दूर रखे हुए थी। गतिविधियों का एक सुचारू क्रम उत्पन्न करने के लिए, ये मॉडल पारंपरिक रूप से एक जटिल, बहु-चरणीय प्रक्रिया पर निर्भर करते हैं। कल्पना कीजिए कि आप रेखा के प्रत्येक बिंदु पर छोटे, हिचकिचाते हुए सुधार करके एक पूर्ण वृत्त बनाने की कोशिश कर रहे हैं; रोबट को एक पथ की गणना करनी पड़ती है, एक कदम उठाना पड़ता है, अपने काम की जाँच करनी पड़ती है, और फिर एक और कदम उठाना पड़ता है, और प्रत्येक गति के लिए इस चक्र को कई बार दोहराना पड़ता है। जबकि यह विधि उच्च गुणवत्ता वाले परिणाम देती है, यह धीमी है, जिससे एक देरी पैदा होती है जो रोबोट को एक गतिशील दुनिया में सुस्त और गैर-प्रतिक्रियाशील महसूस कराती है।

शोधकर्ताओं की एक टीम ने अब एक नया दृष्टिकोण पेश किया है जो इन रोबोटों के अपने आंदोलनों की योजना बनाने के तरीके को मौलिक रूप से बदल देता है, जिससे वे एक ही क्षण में क्रियाओं का एक पूर्ण अनुक्रम उत्पन्न कर सकते हैं। उनका कार्य, जो एक सिस्टम पर केंद्रित है जिसे वे ड्रिफ्टिंगवीएलए (DriftingVLA) कहते हैं, धीमी, पुनरावृत्ति सुधार प्रक्रिया को एक ऐसी विधि से बदल देता है जो एक ही बार में संपूर्ण भविष्य की गति की भविष्यवाणी करना सीख लेती है। वास्तविक कार्य के दौरान चरण-दर-चरण पथ की गणना करने के बजाय, सिस्टम प्रशिक्षण चरण के दौरान एक यादृच्छिक शुरुआती बिंदु और अंतिम वांछित गति के बीच एक सीधा संबंध बनाना सीख लेता है। यह बदलाव रोबोट को तैनाती के दौरान पूरी पुनरावृत्ति गणनाओं को छोड़कर, सीधे सही क्रिया की ओर जाने की अनुमति देता है। जटिल हेरफेर कार्यों में शामिल परीक्षणों में, इस नई विधि ने न केवल पुराने, धीमे सिस्टम की सटीकता का मुकाबला किया, बल्कि रोबोट को तीन गुना से अधिक तेज़ भी बना दिया, जिससे एक गति पर निर्णय लेने में लगने वाला समय दो सौ मिलीसेकंड से अधिक से घटकर सत्तर मिलीसेकंड से कम हो गया।

इस सफलता का मूल आधार यह है कि शोधकर्ताओं ने रोबोट को उसके विभिन्न चलते हुए हिस्सों के बीच के संबंध को समझने के लिए कैसे सिखाया। एक रोबोटिक भुजा केवल एक सीधी रेखा में नहीं चलती है; इसमें कई जोड़ और स्वतंत्रता के स्तर (degrees of freedom) होते हैं जिन्हें मिलकर काम करना चाहिए, जैसे कि आगे बढ़ना, घूमना और ग्रिपर को खोलना। इन सिस्टम्स को तेज़ बनाने के पिछले प्रयासों में अक्सर पूरे आंदोलन को एक बड़े ब्लॉक के रूप में माना गया या इसे समय के छोटे, असंबद्ध क्षणों में तोड़ दिया गया। हालाँकि, नए दृष्टिकोण ने पहचाना कि गति की प्रत्येक विशिष्ट दिशा—जैसे ग्रिपर का ऊर्ध्वाधर उत्थान या कलाई का घूमना—का अपना अनूठा लय और सांख्यिकीय पैटर्न होता है। शोधकर्ताओं ने 'पर-डायमेंशन टेम्पोरल ड्रिफ्टिंग' नामक एक तकनीक विकसित की, जो प्रत्येक व्यक्तिगत गति दिशा के पूर्ण इतिहास को सीखने के लिए एक अलग इकाई के रूप में मानती है। यह सिस्टम को यह समझने की अनुमति देता है कि ग्रिपर को कैसे खुलना चाहिए या कलाई को कैसे घूमना चाहिए, बिना इन विभिन्न गतियों को एक एकल, कठोर गणितीय नियम के अनुरूप बनाए बिना।

महत्वपूर्ण रूप से, यह विधि अपने अंगों के समन्वय की क्षमता का त्याग नहीं करती है। भले ही सिस्टम प्रत्येक गति दिशा के पैटर्न को अलग-अलग सीखता है, फिर भी यह पूरी क्रिया योजना को एक एकीकृत समग्र के रूप में उत्पन्न करता है। रोबोट का मस्तिष्क, जो भाषा और दृष्टि को समझता है, बरकरार रहता है और उन क्रिया विशेषज्ञों का मार्गदर्शन करना जारी रखता है जो गतिविधियों का उत्पादन करते हैं। सिस्टम को कई "क्या-होगा" (what-if) परिदृश्यों के माध्यम से अपनी भविष्यवाणियों को परिष्कृत करने के लिए प्रशिक्षित करके, शोधकर्ताओं ने यह सुनिश्चित किया कि एकल-चरण निर्णय उतना ही सटीक है जितना कि एक धीमी, बहु-चरणीय गणना का परिणाम। इसका अर्थ है कि रोबोट अभी भी नाजुक कार्य कर सकता है, जैसे एक कंटेनर से दूसरे में तरल डालना या दो भुजाओं के तालमेल में काम करते हुए ब्लॉकों को स्टैक करना, बिना उस हिचकिचाहट के जो पिछले मॉडलों में व्याप्त थी।

शोधकर्ताओं ने इस नए सिस्टम का परीक्षण सिम्युलेटेड वातावरण और वास्तविक दुनिया दोनों में किया ताकि यह देखा जा सके कि क्या गति विश्वसनीयता की कीमत पर आई है। वस्तुओं को उठाने और उन्हें पुनर्व्यवस्थित करने जैसे चुनौतीपूर्ण सिमुलेशन की एक श्रृंखला में, नए सिस्टम ने लगभग 98.3 प्रतिशत की सफलता दर हासिल की, जो मौजूदा सर्वश्रेष्ठ बहु-चरणीय मॉडलों से थोड़ा बेहतर प्रदर्शन करती है। जब इसे भौतिक रोबोटिक भुजाओं के साथ वास्तविक दुनिया के परिवेश में ले जाया गया, तो सिस्टम ने अपना दबदबा बनाए रखा, और छह अलग-अलग कार्यों में, जिनमें एकल-हाथ और दोहरे-हाथ का समन्वय शामिल था, 77.67 प्रतिशत परीक्षणों में सफलता प्राप्त की। यह प्रदर्शन अन्य एक-चरण विधियों की तुलना में उल्लेखनीय रूप से अधिक था जिन्होंने केवल उनकी गणना प्रक्रिया को छोटा करके पुराने सिस्टम को तेज़ करने की कोशिश की थी, जिसके परिणामस्वरूप अक्सर सटीकता में भारी गिरावट आती थी। नए तरीके ने सिद्ध किया कि यह बदलकर कि सिस्टम कैसे सीखता है, न कि केवल यह बदलकर कि वह कैसे गणना करता है, गति और सटीकता दोनों प्राप्त करना संभव है।

कच्चे आंकड़ों के परे, अध्ययन ने पुनरावृत्ति गणना लूप को हटाने से होने वाले दक्षता लाभों पर प्रकाश डाला। वास्तविक दुनिया में, जहाँ हर सेकंड का अंश मायने रखता है, नए सिस्टम ने एक मूवमेंट चंक उत्पन्न करने के लिए आवश्यक समय को 227.61 मिलीसेकंड से घटाकर 67.67 मिलीसेकंड कर दिया। यह तीन गुना से अधिक की गति वृद्धि का प्रतिनिधित्व करता है, जो प्रभावी रूप से उस अंतराल (lag) को समाप्त करता है जो रोबोट को उनके वातावरण से कटा हुआ महसूस कराता है। जबकि प्रशिक्षण प्रक्रिया को कई "क्या-होगा" परिदृश्यों को संभालने के लिए थोड़े अधिक कंप्यूटर पावर की आवश्यकता थी, यह लागत एक बार का निवेश है। एक बार प्रशिक्षित होने के बाद, यह एक लीन, सिंगल-स्टेप दक्षता के साथ संचालित होता है जो अतिरिक्त संसाधनों की मांग नहीं करता है। यह कार्य दर्शाता है कि उत्तरदायी रोबोटिक्स का भविष्य धीमे एल्गोरिदम को चलाने के लिए तेज़ कंप्यूटर बनाने में नहीं, बल्कि एल्गोरिदम को स्वयं स्वाभाविक रूप से प्रत्यक्ष और तत्काल बनाने में निहित है।

तकनीकी सारांश: DriftingVLA

समस्या विवरण (Problem Statement)

पारंपरिक विजन-लैंग्वेज-एक्शन (VLA) मॉडल, विशेष रूप से फ्लो मैचिंग (जैसे $\pi_0$ , $\pi_{0.5}$ ) पर आधारित, अभिव्यंजक और निरंतर एक्शन चंक्स (action chunks) उत्पन्न करने में उत्कृष्ट हैं। हालाँकि, वे अनुमान (inference) के समय एक सीखे गए वेक्टर फील्ड से एक्शन को पुनः प्राप्त करने के लिए पुनरावृत्ति संख्यात्मक एकीकरण (iterative numerical integration) पर निर्भर करते हैं। इस प्रक्रिया के लिए एक्शन एक्सपर्ट के कई क्रमिक मूल्यांकनों (जैसे, 10 नेटवर्क फंक्शन इवैल्यूएशन या NFEs) की आवश्यकता होती है, जो महत्वपूर्ण विलंबता (latency) उत्पन्न करता है जो वास्तविक समय के ऑनलाइन रोबोट नियंत्रण में बाधा डालता है।

जबकि हाल के प्रयासों ने डिस्टिलेशन (जैसे, SnapFlow) के माध्यम से इन नीतियों को त्वरित करने या सिंगल-स्टेप प्रेडिक्शन के लिए फ्लो फॉर्मुलेशन को अनुकूलित करने (जैसे, MeanFlowVLA) का प्रयास किया है, ये विधियाँ अक्सर इन्फरेंस-टाइम ट्रांसपोर्ट प्रक्रिया से ही व्युत्पन्न रहती हैं। एक नेटिव वन-स्टेप VLA (native one-step VLA) की आवश्यकता है जो बिना किसी पुनरावृत्ति परिशोधन (iterative refinement) या न्यूमेरिकल सॉल्वर पर निर्भर रहे, सिंगल फॉरवर्ड पास में एक पूर्ण एक्शन चंक उत्पन्न कर सके, जबकि मल्टी-स्टेप फ्लो नीतियों के उच्च नियंत्रण प्रदर्शन को बनाए रखे।

कार्यप्रणाली (Methodology)

लेखक DriftingVLA प्रस्तावित करते हैं, एक ऐसा ढांचा जो वितरण परिशोधन (distribution refinement) के बोझ को इन्फरेंस-टाइम इंटीग्रेशन से हटाकर ट्रेनिंग-टाइम ऑप्टिमाइज़ेशन की ओर स्थानांतरित करता है, जिसे डिस्ट्रीब्यूशन ड्रिफ्टिंग (Distribution Drifting) कहा जाता है।

1. डिस्ट्रीब्यूशन ड्रिफ्टिंग के माध्यम से नेटिव वन-स्टेप जनरेशन

उन फ्लो-आधारित मॉडलों के विपरीत जो समय के साथ एकीकृत होने के लिए एक वेलोसिटी फील्ड $v_\theta$ सीखते हैं, DriftingVLA स्वतंत्र लेटेंट सैंपल्स से एक पूर्ण एक्शन चंक तक एक सीधा मैपिंग $f_\theta$ सीखता है।

प्रशिक्षण उद्देश्य (Training Objective): मॉडल एक ड्रिफ्ट-बेस्ड पॉलिसी (DBP) फॉर्मुलेशन का उपयोग करता है। प्रशिक्षण के दौरान, एक दिए गए संदर्भ $c_t$ के लिए, मॉडल स्वतंत्र लेटेंट सैंपल्स से $G$ सिब्लिंग एक्शन चंक्स उत्पन्न करता है। एक "ड्रिफ्टिंग फील्ड" का निर्माण प्रदर्शित किए गए ट्रेजेक्टरीज (demonstrated trajectories) की ओर आकर्षण और उत्पन्न किए गए सिब्लिंग्स से प्रतिकर्षण (repulsion) का उपयोग करके किया जाता है।
ऑप्टिमाइज़ेशन: इन्फरेंस के दौरान ड्रिफ्टिंग फील्ड को पुनरावृत्ति से लागू करने के बजाय, सुधारों को स्टॉप-ग्रेडिएंट रिग्रेशन ऑब्जेक्टिव के माध्यम से जनरेटर पैरामीटर्स में अवशोषित कर लिया जाता है। एक बार प्रशिक्षित होने के बाद, पॉलिसी एक सिंगल फॉरवर्ड पास निष्पादित करती है: $\hat{A}_t = f_\theta(Z_t, c_t)$ , जहाँ $Z_t$ एक एकल शोर (noise) सैंपल है।
आर्किटेक्चर अनुकूलन (Architecture Adaptation): DriftingVLA $\pi_{0.5}$ के प्री-ट्रेंड मल्टीमॉडल बैकबोन (VLM) को बरकरार रखता है लेकिन फ्रेशली इनिशियलाइज़ करता है एक्शन एक्सपर्ट को। एक्शन एक्सपर्ट को फ्लो वेलोसिटीज़ के बजाय सीधे एक्शन चंक्स को शोर (noise) से मैप करने के लिए फिर से प्रशिक्षित किया जाता है। VLM और एक्शन एक्सपर्ट को संयुक्त रूप से पोस्ट-ट्रेन किया जाता है, जिसमें रेडंडेंट कंप्यूटेशन से बचने के लिए मल्टीमॉडल कॉन्टेक्स्ट को सिब्लिंग सैंपल्स के बीच साझा किया जाता है।

2. प्रति-डायमेंशन टेम्पोरल ड्रिफ्टिंग (Per-Dimension Temporal Drifting - PTDP)

VLA के लिए डिस्ट्रीब्यूशन ड्रिफ्टिंग को विस्तारित करने में एक महत्वपूर्ण चुनौती एक्शन चंक $A \in \mathbb{R}^{H \times D}$ (जहाँ $H$ टेम्पोरल होराइजन है और $D$ एक्शन डायमेंशन है) की ज्यामिति (geometry) को परिभाषित करना है।

मौजूदा ऑर्गेनिज्म की सीमाएँ:
- चंक-वाइज ड्रिफ्टिंग (Chunk-wise Drifting): पूरे चंक को फ्लैट करता है, जिससे विषम (heterogeneous) एक्शन चैनल्स (जैसे, ट्रांसलेशन, रोटेशन, ग्रिपर) एक ही ज्योमेट्री में मिल जाते हैं। यह क्रॉस-चैनल इंटरफेरेंस का कारण बनता है जहाँ एक डायमेंशन का स्केल अन्य डायमेंशन के ड्रिफ्टिंग सिग्नल को प्रभावित करता है।
- स्टेप-वाइज ड्रिफ्टिंग (Step-wise Drifting): प्रत्येक टाइम स्टेप को स्वतंत्र रूप से मानता है, जिससे व्यक्तिगत एक्शन चैनल्स की टेम्पोरल ट्रेजेक्टरी खंडित हो जाती है।
PTDT समाधान: लेखक पर-डायमेंशन टेम्पोरल ड्रिफ्टिंग (PTDT) पेश करते हैं, जो प्रत्येक व्यक्तिगत एक्शन डायमेंशन ( $A_{:,d} \in \mathbb{R}^H$ $A_{:, d} \in R^{H}$ ) के पूर्ण टेम्पोरल ट्रेजेक्टरी को एक अलग ड्रिफ्टिंग यूनिट के रूप में मानता है।
- ज्यामिति (Geometry): ड्रिफ्टिंग सांख्यिकी (दूरी के पैमाने, एफिनिटी, बल) की गणना प्रत्येक एक्शन डायमेंशन $d$ के लिए स्वतंत्र रूप से की जाती है।
- संयुक्त जनरेशन (Joint Generation): महत्वपूर्ण रूप से, PTDT केवल ट्रेनिंग ज्योमेट्री को फैक्टर करता है, न कि जनरेटर को। साझा VLA मॉडल अभी भी पूरे $H \times D$ चंक को संयुक्त रूप से उत्पन्न करता है, जिससे समन्वित नियंत्रण के लिए आवश्यक क्रॉस-डायमेंशनल डिपेंडेंसी बनी रहती है।

मुख्य योगदान (Key Contributions)

नेटिव वन-स्टेप VLA: प्री-ट्रेंड फ्लो-आधारित VLAs में नेटिव ड्रिफ्ट-बेस्ड जनरेशन का विस्तार। यह प्री-ट्रेंड मल्टीमॉडल बैकबोन को सुरक्षित रखते हुए एक्शन इंटरफेस को एक डायरेक्ट कंडिशनल जनरेटर के रूप में पुन: सीखने के माध्यम से प्राप्त किया गया है, जो परिनियोजन (deployment) के दौरान संख्यात्मक एकीकरण या फ्लो-ट्रेजेक्टरी डिस्टिलेशन की आवश्यकता को समाप्त करता है।
पर-डायमेंशन टेम्पोरल ड्रिफ्टिंग (PTDT): एक्शन-चंक ड्रिफ्टिंग के लिए एक नवीन संगठन जो विभिन्न एक्शन डायमेंशंस के विशिष्ट कंट्रोल सेमेंटिक्स और डिस्ट्रीब्यूशनल विशेषताओं का सम्मान करता है। PTDT पूर्ण प्रति-चैनल टेम्पोरल ट्रेजेक्टरीज को बनाए रखता है जबकि विषम चैनल ज्योमेट्री को अलग करता है, जो चंक-वाइज और स्टेप-वाइज दृष्टिकोणों की तुलना में बेहतर प्रदर्शन करता है।
व्यापक मूल्यांकन: LIBERO और RoboTwin 2.0 जैसे सिमुलेशन बेंचमार्क और छह वास्तविक दुनिया के सिंगल- और डुअल-आर्म मैनिपुलेशन कार्यों में एक विस्तृत मूल्यांकन, जो यह प्रदर्शित करता है कि नेटिव वन-स्टेप जनरेशन इटरेटिव फ्लो पॉलिसियों के प्रदर्शन के बराबर या उससे अधिक हो सकता है जबकि विलंबता को काफी कम कर देता है।

प्रयोगात्मक परिणाम (Experimental Results)

सिमुलेशन प्रदर्शन:
- LIBERO: DriftingVLA ने 98.32% समग्र सफलता दर हासिल की, जिसने मूल 10-NFE $\pi_{0.5}$ पॉलिसी (97.10%) और वन-स्टेप बेसलाइन SnapFlow (97.48%) को पीछे छोड़ दिया।
- RoboTwin 2.0: DriftingVLA 81.09% तक पहुँचा, जो 10-NFE $\pi_{0.5}$ से 1.51 अंक और SnapFlow से 2.56 अंक अधिक है। उल्लेखनीय रूप से, मानक $\pi_{0.5}$ पॉलिसी के मानक वन-स्टेप ट्रंकेशन (truncation) के प्रदर्शन में गिरावट होकर 63.76% रह गई, जो नेटिव ट्रेनिंग की आवश्यकता को रेखांकित करती है।
वास्तविक दुनिया का प्रदर्शन:
- छह वास्तविक दुनिया के कार्यों (सिंगल और डुअल-आर्म) में, DriftingVLA ने 77.67% की सफलता दर हासिल की, जो $\pi_{0.5}$ (74.22%) और अन्य वन-स्टेप बेसलाइन की तुलना में काफी बेहतर है।
- PTDT ने सिमुलेशन और वास्तविक दुनिया दोनों सेटिंग्स में चंक-वाइज और स्टेप-वाइज वेरिएंट्स की तुलना में लगातार बेहतर प्रदर्शन किया।
दक्षता (Efficiency):
- विलंबता (Latency): नेटिव वन-स्टेप जनरेशन ने एक्शन-चंक विलंबता को 227.61 ms (10-NFE) से घटाकर 67.67 ms कर दिया, जो कि 3.36× की गति वृद्धि है।
- प्रशिक्षण ओवरहेड (Training Overhead): साझा-कॉन्टेक्स्ट सैंपलिंग डिज़ाइन के कारण, सिब्लिंग सैंपल्स ( $G$ ) की संख्या को 2 से बढ़ाकर 8 करने से GPU-घंटे केवल 3.78% और पीक मेमोरी केवल 9.54% बढ़ी।

महत्व (Significance)

यह पेपर प्रदर्शित करता है कि नियंत्रण प्रदर्शन से समझौता किए बिना, परिनियोजन लूप से पुनरावृत्ति एक्शन परिशोधन (iterative action refinement) को हटाया जा सकता है। डिस्ट्रीब्यूशन ड्रिफ्टिंग के माध्यम से ट्रेनिंग चरण में डिस्ट्रीब्यूशन परिशोधन को स्थानांतरित करके और एक प्रति-डायमेंशन टेम्पोरल ज्योमेट्री का उपयोग करके, DriftingVLA नेटिव वन-स्टेप परिनियोजन प्राप्त करता है। यह दृष्टिकोण फ्लो-आधारित VLAs की विलंबता संबंधी बाधा को हल करता है और जटिल रोबोटिक मैनिपुलेशन के लिए आवश्यक अभिव्यंजना और समन्वय क्षमताओं को बनाए रखता है, जो वास्तविक समय के, उच्च-प्रदर्शन वाले रोबोट नियंत्रण की दिशा में एक व्यवहार्य मार्ग प्रदान करता है।