Ground-JEPA: Learning Physically Grounded Latent World Models for Zero-Shot Dynamics Generalization of Legged Robots
ग्राउंड-JEPA एक न्यूनतम, भौतिकी-आधारित लेटेंट वर्ल्ड मॉडल पेश करता है जो कार्य-विशिष्ट पुरस्कारों पर निर्भर किए बिना, उच्च-DoF वातावरण में लेग्ड रोबॉट्स के लिए ज़ीरो-शॉट डायनेमिक्स सामान्यीकरण और श्रेष्ठ नियंत्रण प्रदर्शन प्राप्त करता है, जिससे इस धारणा को चुनौती मिलती है कि रिवॉर्ड-फ्री लर्निंग जटिल रोबोटिक प्रणालियों के लिए स्वाभाविक रूप से निम्न स्तर की होती है।
मूल पेपर CC BY 4.0 (https://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 का आंतरिक दिशा-सूचक (The Robot's Inner Compass)
कल्पना कीजिए कि आप एक रोबोट को पथरीले मैदान में चलना सिखाने की कोशिश कर रहे हैं। आप उसे नियमों का एक सख्त सेट दे सकते हैं, जैसे "अपना पैर ठीक 10 सेंटीमीटर ऊपर उठाएं," लेकिन वास्तविक दुनिया अव्यवस्थित है; पत्थर खिसकते हैं, जमीन फिसलन भरी होती है, और रोबोट के पैर उम्मीद से थोड़े भारी हो सकते हैं। यह लेग्ड रोबोट कंट्रोल (legged robot control) की चुनौती है: मशीनों को अप्रत्याशित वातावरण में सुचारू रूप से और सुरक्षित रूप से चलना सिखाना। लंबे समय से, वैज्ञानिक इसे "डायनामिक्स मॉडल" बनाकर हल करने की कोशिश कर रहे हैं—जो मूल रूप से रोबोट के भीतर एक मानसिक मानचित्र है जो यह भविष्यवाणी करता है कि यदि वह एक निश्चित तरीके से चलता है तो आगे क्या होगा।
परंपरागत रूप से, ये मानसिक मानचित्र रोबोट को अच्छी चीजें करने (जैसे सीधा खड़ा रहने) के लिए पुरस्कृत करके और बुरी चीजें करने (जैसे गिर जाने) के लिए दंडित करके बनाए जाते थे। इसे रिवॉर्ड-बेस्ड लर्निंग (reward-based learning) कहा जाता है। हालाँकि, इसमें एक पेंच है: यदि रोबोट अपनी भविष्यवाणी में एक छोटी सी गलती करता है, तो वह गलती समय के साथ बर्फ के गोले (snowball) की तरह बढ़ती जाएगी, जब तक कि रोबोट का मानसिक मानचित्र पूरी तरह से गलत न हो जाए और वह दुर्घटनाग्रस्त न हो जाए। एक अन्य दृष्टिकोण, जिसे जॉइंट-एम्बेडिंग प्रेडिक्टिव आर्किटेक्चर (Joint-Embedding Predictive Architectures - JEPAs) कहा जाता है, वास्तविक दुनिया के जटिल विवरणों को छोड़ देने की कोशिश करता है। रोबोट के कैमरे के हर पिक्सेल की सटीक भविष्यवाणी करने के बजाय, यह भविष्य के एक संकुचित "सारांश" या "लेटेंट" (latent) संस्करण की भविष्यवाणी करता है। इसे एक संगीतकार की तरह समझें जो हवा के सटीक कंपन की गणना करने के बजाय लय को महसूस करके गाने के अगले नोट की भविष्यवाणी करता है। वैज्ञानिक अब तक एक बड़ा सवाल पूछ रहे हैं: क्या एक रोबोट केवल इस आंतरिक लय को समझकर, बिना किसी शिक्षक के लगातार यह कहे कि "अच्छा काम किया" या "फिर से कोशिश करो," पूरी तरह से चलना सीख सकता है?
Ground-JEPA: वह रोबोट जिसने ताल को महसूस करके चलना सीखा
शोधकर्ताओं की एक टीम ने Ground-JEPA नामक एक नई प्रणाली पेश की है, जो बताती है कि रोबनों को जटिल गतिविधियों को सीखने के लिए निरंतर प्रशंसा या दंड की आवश्यकता नहीं हो सकती है। इसके बजाय, वे केवल अपने भविष्य के आंतरिक "एहसास" को वास्तविकता के अनुरूप बनाए रखकर सीख सकते हैं।
कल्पना कीजिए कि एक रोबोट यह सीख रहा है कि "गिरो मत" कहे जाने के बजाय, वह यह सुनिश्चित करने की कोशिश कर रहा है कि उसका आंतरिक अहसास कि "मैं कहाँ जा रहा हूँ" उसके वास्तविक आंदोलन के साथ मेल खाता है। इस नई प्रणाली में, रोबोट भविष्य का एक आदर्श वीडियो बनाने की कोशिश नहीं करता है। इसके बजाय, वह अपने अनुभव को एक बहुत ही छोटे, कुशल "लेटेंट स्पेस" (latent space) में संकुचित करता है—जो एक प्रकार का अमूर्त मानसिक संक्षिप्त रूप (abstract mental shorthand) है। यहाँ मुख्य चाल एक फिजिक्स-इंस्पायर्ड प्रोब (physics-inspired probe) है। हालांकि रोबोट का आंतरिक मानचित्र अमूर्त है, यह प्रोब एक अनुवादक की तरह कार्य करता है, जो उन अमूर्त विचारों को वास्तविक दुनिया के भौतिक विज्ञान जैसे स्थिति, गति और अभिविन्यास (orientation) में बदल देता है। यह एक ऐसे रोबोट की तरह है जो शुद्ध अवधारणाओं में सोचता है लेकिन उसके पास एक अंतर्निहित अनुवादक है जो यह सुनिश्चित करता है कि वे अवधारणाएं गुरुत्वाकर्षण और संवेग के नियमों का पालन करें।
शोधकर्ताओं ने पाया कि इसे सफल बनाने का रहस्य केवल अनुवाद नहीं था, बल्कि प्लानिंग होराइजन (planning horizon) था। पिछले प्रयास इसलिए विफल रहे क्योंकि रोबोट केवल कुछ कदम आगे देख रहा था—जैसे केवल अपने पैरों के पंजों को देखकर चलने की कोशिश करना। Ground-JEPA प्रणाली रोबोट को बहुत आगे देखने के लिए मजबूर करती है, विशेष रूप से 12 कदम आगे। यह महत्वपूर्ण है क्योंकि चलने का एक पूरा चक्र (gait) लगभग इतना ही लंबा होता है। पूरे चक्र को देखकर, रोबोट अपने आंदोलन के "बड़े चित्र" को देख सकता है, न कि केवल अगले छोटे कदम को अनुकूलित कर सकता है। यह प्रणाली को पूरी तरह से सेल्फ-सुपरविज़न (self-supervision) के माध्यम से स्थिर चलने के पैटर्न सीखने की अनुमति देता है, जिसका अर्थ है कि वह यह जांचकर सीखता है कि क्या उसकी आंतरिक भविष्यवाणियां सुसंगत हैं, बिना किसी बाहरी पुरस्कार की आवश्यकता के।
सिमुलेशन से प्राप्त परिणाम काफी आश्चर्यजनक हैं। एक सिम्युलेटेड चार पैरों वाले रोबोट (quadruped) पर, इस रिवॉर्ड-फ्री सिस्टम ने 510 ± 68 का प्रदर्शन स्कोर प्राप्त किया, जो वास्तव में पारंपरिक रिवॉर्ड-आधारित सिस्टम से बेहतर था जिसने 450 ± 234 स्कोर किया था। इससे भी अधिक प्रभावशाली बात यह है कि उन्होंने इसे पहली बार एक सिम्युलेटेड ह्यूमनॉइड रोबोट (मानव जैसी शरीर वाली मशीन) पर सफलतापूर्वक लागू किया, जिसने बिना किसी रिवॉर्ड सिग्नल के 350 ± 50 का स्कोर प्राप्त किया। पारंपरिक विधि इस सेटअप में ह्यूमनॉइड पर पूरी तरह से विफल रही।
सबसे रोमांचक निष्कर्षों में से एक यह है कि यह प्रणाली "चरम" परिवर्तनों को कितनी अच्छी तरह संभालती है। शोधकर्ताओं ने रोबोट को उन परिदृश्यों में परखा जहाँ भौतिक विज्ञान को नाटकीय रूप से बदल दिया गया था: रोबोट के द्रव्यमान (mass) को ±30% बदला गया, जमीन के घर्षण (friction) को 2.5 गुना बढ़ाया गया या 0.4 तक कम किया गया, और मोटरों में 50 ms की देरी पैदा की गई। एक संयुक्त परिदृश्य में जहाँ ये सभी परिवर्तन एक साथ हुए, Ground-JEPA मॉडल ने अपने मूल प्रदर्शन का 78% बरकरार रखा। इसके विपरीत, एक पारंपरिक रिवॉर्ड-आधारित मॉडल, भले ही उसे रैंडम विविधताओं के साथ प्रशिक्षित किया गया हो, केवल 21% प्रदर्शन ही बनाए रख सका। यह सुझाव देता है कि आंदोलन के मूलभूत "मैनिफोल्ड" (manifold) या आकार को सीखकर, रोबोट दुनिया के बदलावों के प्रति बहुत अधिक मजबूत हो जाता है।
टीम ने यह भी खोजा कि मॉडल का आकार बहुत विशाल होने की आवश्यकता नहीं थी। यह संपूर्ण प्रणाली एक लैपटॉप GPU पर चलती है और केवल लगभग 1.3 मिलियन पैरामीटर्स का उपयोग करती है, जो अन्य विशाल AI मॉडलों की तुलना में बहुत छोटा है जिन्हें अरबों पैरामीटर्स की आवश्यकता होती है। उन्होंने दिखाया कि पिछले अध्ययनों में देखा गया "कोलैप्स" (जहाँ रोबोट सीखना बंद कर देता है) इसलिए नहीं था कि पद्धति दोषपूर्ण थी, बल्कि इसलिए था क्योंकि रोबोट गलत प्रकार के आंतरिक मानचित्र (विशेष रूप से, SimNorm नामक एक नॉर्मलाइज्ड मैप) का उपयोग कर रहा था और सही संरचना के बिना बहुत आगे देख रहा था। कच्चे लेटेंट रिप्रजेंटेशन (raw latent representations) और सही प्लानिंग होराइजन का उपयोग करके, यह प्रणाली शानदार ढंग से काम करती है।
हालाँकि, लेखक सावधानीपूर्वक यह नोट करते हैं कि ये परिणाम वर्तमान में सिमुलेशन पर आधारित हैं। जबकि रोबोट ने अत्यधिक परिवर्तनों के साथ एक आभासी दुनिया में चलना सीख लिया, इस प्रणाली का अभी तक वास्तविक दुनिया में एक भौतिक रोबोट पर परीक्षण नहीं किया गया है। इसके अतिरिक्त, हालांकि उन्होंने एक ह्यूमनॉइड को स्थिर खड़ा होने की समस्या हल कर ली है, लेकिन एक ह्यूमनॉइड को दो पैरों पर गतिशील रूप से चलते हुए देखना एक चुनौती बनी हुई है क्योंकि एक पैर पर संतुलन बनाने के लिए जटिल भौतिकी की आवश्यकता होती है।
अंततः, Ground-JEPA रोबोटिक्स के लिए एक नया मार्ग सुझाता है: रोबोट को चलना सिखाने के लिए महीनों तक सटीक रिवॉर्ड फंक्शन इंजीनियर करने के बजाय, हमें शायद बस उसे भौतिक विज्ञान के नियमों के साथ अपनी आंतरिक लय को सुसंगत बनाए रखना सिखाने की आवश्यकता है। यह उन्नत रोबोट नियंत्रण का लोकतंत्रीकरण कर सकता है, जिससे छोटे लैब भी मानक लैपटॉप के साथ ऐसे रोबोट बना सकते हैं जो बिना किसी विशाल सुपरकंप्यूटर या अंतहीन ट्रायल-एंड-एरर रिवॉर्ड के वास्तविक दुनिया के अनुकूल हो सकें।
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।