FLEX रोबोटों को मानवीय सुधारों से सामान्यीकरण करना सिखाता है

MIT और New York University के शोधकर्ताओं ने FLEX विकसित किया है। यह ऐसी प्रणाली है जो बातचीत के दौरान दिए गए सुधारों का उपयोग करके रोबोट की गतिविधियों को निर्देशित करने वाली पर्यावरणीय विशेषताओं में बदलाव करती है। MIT ने इस काम की घोषणा 9 नवंबर, 2026 को की, जो नवंबर 2026 में होने वाले Conference on Robot Learning में इसकी प्रस्तुति से पहले थी।

FLEX भाषा-निर्देशित रोबोटिक्स की एक समस्या का समाधान करता है: कॉफी ले जा रहे रोबोट से यह कहना कि लैपटॉप पर कॉफी न गिरे, लैपटॉप को उसकी बाधाओं की सूची में तो शामिल कर सकता है, लेकिन यह नहीं बताता कि वह क्यों मायने रखता है। प्रणाली इलेक्ट्रॉनिक उपकरणों से बचने की व्यापक प्राथमिकता का अनुमान लगाती है। इस तरह, बिना फ़ोन के लिए अलग से निर्देश दिए, सिम्युलेटेड रोबोटिक भुजा अपना रास्ता लैपटॉप और पास रखे फ़ोन—दोनों से बचाकर तय करती है।

रोबोट किन चीज़ों पर नज़र रखता है, उसमें बदलाव

शोधपत्र में FLEX का पूरा नाम Flexible Feature Editing Pipeline दिया गया है। यह विशेषताओं को निर्धारित करने और इनाम को अनुकूलित करने की प्रक्रियाओं को अलग रखता है: भाषा में दिए गए सुधार बताते हैं कि दृश्य के कौन-से मापने योग्य गुण मायने रखते हैं, जबकि प्रदर्शन यह तय करते हैं कि इन गुणों का प्रक्षेप-पथ पर कितना प्रभाव होना चाहिए। इस विभाजन का लक्ष्य ऐसी निरूपण-प्रणालियाँ हैं जो अधूरी हों, जिनमें अप्रासंगिक विशेषताओं की ज़रूरत से ज़्यादा जानकारी हो, या जिन्हें गलत स्तर पर अमूर्त किया गया हो।

हर सुधार ADD, GENERALIZE और MASK चरणों से गुज़रता है। ADD जाँचता है कि क्या मौजूदा विशेषताएँ सुधार की वजह समझाती हैं; अगर नहीं, तो भाषा मॉडल किसी छूटी हुई विशेषता का सुझाव देता है और उसकी गणना के लिए कोड तैयार करता है। GENERALIZE किसी अत्यधिक विशिष्ट विशेषता को ऐसी विशेषता से बदलता है जो अनुमानित मंशा से जुड़ी हो। MIT के गेंदबाज़ी की गेंद वाले उदाहरण में, मग के लिए बनाई गई पाबंदी बदलकर नाज़ुक वस्तुओं से बचने की पाबंदी बन जाती है। MASK उन विशेषताओं को हटा देता है जो अब प्रासंगिक नहीं हैं।

MASK को अंत में चलाने से यह सुनिश्चित होता है कि प्रासंगिकता के फ़ैसले, सामान्यीकरण के बाद की विशेषताओं पर लागू हों। प्रयोगों में GPT-4o का उपयोग किया गया, और MIT के अनुसार तीनों चरणों वाली पूरी प्रक्रिया में लगभग पाँच सेकंड लगते हैं।

अध्ययन का नेतृत्व करने वाली और MIT की Collaborative Learning and Autonomy Research Lab की प्रमुख Andreea Bobu ने इस डिज़ाइन को घरेलू उपयोग से जोड़ते हुए कहा: “हर किसी का घर अलग होता है और हर व्यक्ति के लिए अलग-अलग चीज़ें मायने रखती हैं। इसलिए कोई भी रोबोट डिब्बे से निकलते ही यह नहीं जानता कि आपके लिए क्या अहम है। FLEX की बात मुझे इसलिए उत्साहित करती है कि यह हर नियम को विस्तार से बताने के लिए कहने के बजाय, एक-दो वाक्यों से आपकी प्राथमिकता समझ सकता है—और यही उस रोबोट के बीच का फ़र्क है जिसे लोग बस सहन करते हैं और उस रोबोट के बीच, जिसे वे सचमुच अपने घर में रखना चाहते हैं।”

सिमुलेशन के नतीजे और लोगों की रेटिंग

शोधकर्ताओं ने 9-बाई-9 नेविगेशन ग्रिड और सिम्युलेटेड सात-स्वतंत्रता-डिग्री वाले Franka टेबलटॉप कार्यों में FLEX का परीक्षण किया। इन कार्यों में कॉफी, जलती हुई मोमबत्ती और गेंदबाज़ी की गेंद शामिल थीं। रोबोटिक भुजा वाले परिदृश्यों में पाँच चरणों की सुधार-श्रृंखलाएँ इस्तेमाल की गईं। हर चरण के बीच वस्तुओं की व्यवस्था बदली गई, ताकि पहले उपयोगी रही कोई विशेषता अप्रासंगिक हो सके या पहले छिपा हुआ गलत संरेखण सामने आ सके।

तुलना में केवल विशेषताएँ जोड़ने वाली ALGAE, केवल विशेषताएँ हटाने वाली Mask-From-Exhaustive (MFE), और एक ऐसा आधार मॉडल शामिल था जिसे बिना किसी चरणबद्ध मार्गदर्शन के, एक ही प्रश्न में भाषा मॉडल से विशेषताओं का पूरा अद्यतन सेट तैयार करने को कहा जाता है। उनके सामान्यीकृत इनाम माप में सर्वोत्तम व्यवहार को 1 और सबसे खराब प्रक्षेप-पथ को 0 का मान दिया जाता है।

शोधपत्र के अनुसार, नेविगेशन के सभी सात परिदृश्यों में FLEX का औसत सामान्यीकृत इनाम सबसे अधिक था। तीनों प्रक्रियाओं की ज़रूरत वाले परिदृश्य में FLEX का औसत 0.99 रहा, जबकि ALGAE का 0.69, MFE का 0.83 और बिना चरणबद्ध मार्गदर्शन वाले आधार मॉडल का 0.78 था।

लेखकों के अनुसार, क्रमिक रोबोटिक भुजा सिमुलेशन में FLEX ने आम तौर पर एक या दो सुधारों के बाद लक्ष्य इनाम सीख लिया और पहले तथा बाद की व्यवस्थाओं में अपना प्रदर्शन बनाए रखा। तुलना में शामिल अन्य विधियों को अधिक सुधारों की ज़रूरत पड़ी और अप्रासंगिक विशेषताएँ जमा होने या उनके निरूपण के अलग-अलग चरणों के लिए ज़रूरत से ज़्यादा अनुकूलित हो जाने पर उनका प्रदर्शन घट गया।

एक अलग, प्रत्यक्ष अध्ययन में 12 प्रतिभागियों ने हिस्सा लिया। प्रत्येक ने FLEX, ALGAE और MFE का उपयोग करते हुए पाँच-पाँच चरणों वाले तीन खंडों में लिखित सुधार दिए। शोधकर्ताओं के अनुसार, प्रश्नावली के सभी पाँच पहलुओं पर FLEX को सबसे अधिक औसत रेटिंग मिली। सात-बिंदु पैमाने पर मंशा को समझने के लिए FLEX का औसत 6.3, ALGAE का 5.0 और MFE का 4.5 था। कई तुलनाओं के लिए समायोजन के बाद, दोनों आधार विधियों से FLEX के अंतर सांख्यिकीय रूप से महत्वपूर्ण थे। उपयोग में आसानी और सहयोगात्मकता के अंतर सांख्यिकीय रूप से महत्वपूर्ण नहीं थे।

साक्ष्य की सीमाएँ और विकास की स्थिति

मानव प्रतिभागियों वाला अध्ययन किसी वास्तविक रोबोट पर बंद-लूप तरीके से नहीं चलाया गया। प्रतिभागियों ने सिम्युलेटेड प्रक्षेप-पथ देखे, क्योंकि कुछ आधार विधियों से भुजा की गति अनियमित हो रही थी। अलग से, टीम ने ऑफ़लाइन सीखने के लिए प्रतिभागियों के सुधारों को वास्तविक Franka पर एकत्र किए गए विशेषज्ञ प्रदर्शनों के साथ जोड़ा। लेखकों के अनुसार, हार्डवेयर पर किया गया यह काम सिमुलेशन अध्ययन के समर्थन में व्यवहार्यता की जाँच था।

FLEX फिलहाल कठोर वस्तुओं के अर्ध-स्थिर हेरफेर तक सीमित है, जिनके प्रासंगिक गुणों को भाषा में व्यक्त किया जा सकता है; गतिशील कार्यों और विकृत होने वाली वस्तुओं के लिए अतिरिक्त माध्यमों की ज़रूरत पड़ सकती है। लेखकों का कहना है कि भाषा मॉडल का सामान्य-बोध व्यापक रूप से साझा प्राथमिकताओं को समझ सकता है, लेकिन निजी या सहज-बोध के विपरीत प्राथमिकताओं के मामले में विफल हो सकता है। लैपटॉप से और भी अधिक दूरी बनाए रखने का अनुरोध प्राथमिकता की तीव्रता भी व्यक्त करता है, जिसे मौजूदा संरूपण दर्ज नहीं कर पाता।

लेखकों के परियोजना पृष्ठ पर अब भी इसे जारी काम बताया गया है और कोड तथा डेटासेट जल्द उपलब्ध होने की जानकारी दी गई है।

घरेलू और सहायक रोबोटों के लिए, कम सुधार तभी उपयोगी होते हैं जब अनुमानित पसंद वास्तव में उपयोगकर्ता की प्राथमिकताओं से मेल खाती हो। मुख्य अनसुलझा सवाल यह है कि क्या भाषा मॉडल के सामान्यीकरण, भौतिक रोबोटों पर बंद-लूप संचालन के दौरान भी, विशिष्ट व्यक्तिगत पसंदों के अनुरूप उतनी ही निरंतरता से ढल सकते हैं।