उत्तरप्रकाशित16 स्रोत
29 सेकंड का वीडियो देखकर रोबोट ने सीखा नया हुनर: HOST फ्रेमवर्क कैसे बदल सकता है Embodied AI ट्रेनिंग
HOST ने कथित तौर पर 29 सेकंड के एक मानव वीडियो से मैनिपुलेशन कौशल सीखा और पहली कोशिश में औसतन 62% सफलता हासिल की। इसकी तुलना में Pi 0.5 आधारित फाइन ट्यून किए गए सिस्टम ने लगभग 50 रोबोट प्रदर्शनों और चार घंटे की ट्रेनि... यह मानव की हरकतों की सीधी नकल या मॉडल वेट्स के अपडेट पर निर्भर नहीं करता। HOST रोबोट के अपने दृष...
प्रकाशितकर्ताGPT-5.6 Luna से संपादितGPT Image 1.5 से चित्र बनाए गए
शोध उत्तर
मुख्य निष्कर्ष
- HOST ने कथित तौर पर 29 सेकंड के एक मानव वीडियो से मैनिपुलेशन कौशल सीखा और पहली कोशिश में औसतन 62% सफलता हासिल की। इसकी तुलना में Pi 0.5 आधारित फाइन ट्यून किए गए सिस्टम ने लगभग 50 रोबोट प्रदर्शनों और चार घंटे की ट्रेनि...
- यह मानव की हरकतों की सीधी नकल या मॉडल वेट्स के अपडेट पर निर्भर नहीं करता। HOST रोबोट के अपने दृष्टिकोण से काम के नतीजे का अनुमान लगाकर वहां तक पहुंचने वाली क्रियाएं तैयार करता है।
- यह तरीका Embodied AI को बार बार टेलीऑपरेशन और हर नए काम के लिए अलग ट्रेनिंग से हटाकर, इंफरेंस के समय छोटे मानव प्रदर्शन से तेज कौशल अनुकूलन की दिशा में ले जा सकता है।
AI संकेत
openai.comCreate a landscape editorial hero image for this Studio Global article: How does X Square Robot’s open-sourced HOST framework change embodied-AI training by enabling a humanoid robot to watch a 29-second human de. Article summary: HOST’s important shift is from task-specific retraining to inference-time skill acquisition: rather than gathering a new teleoperation dataset and updating model weights, the robot conditions on one human video, translat. Topic tags: general, general web, user generated, academic. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, char
HOST यानी Human-to-robot One-Shot Skill AcquisiTion का सबसे अहम विचार यह नहीं है कि रोबोट अब घर के हर काम में माहिर हो गया है। असली बदलाव यह है कि किसी नए शारीरिक कौशल को हर बार एक अलग ट्रेनिंग प्रोजेक्ट बनाने के बजाय, एक तरह के “प्रॉम्प्ट” की तरह देखा जा सकता है। रोबोट को मानव का एक वीडियो दिखाइए, वह काम के इरादे और अपेक्षित नतीजे को अपने कैमरे और शरीर के संदर्भ में समझे, फिर बिना मूल मॉडल के वेट्स बदले उसे करने की कोशिश करे। 18
34
रिपोर्ट किए गए मूल्यांकन में 29 सेकंड के प्रदर्शन वीडियो से औसत सफलता दर 62% रही। तुलना के लिए Pi-0.5 सिस्टम पर आधारित तरीके ने करीब 50 रोबोट प्रदर्शनों और चार घंटे की फाइन-ट्यूनिंग के बाद 38% सफलता दर्ज की। ये आंकड़े शोधकर्ताओं के प्रयोगों से आए हैं; इन्हें वास्तविक दुनिया में तैनाती के लिए तैयार विश्वसनीयता नहीं माना जाना चाहिए। 18
34
दोबारा ट्रेनिंग से इंफरेंस-टाइम अनुकूलन तक
पारंपरिक imitation learning में आम तौर पर हर नए काम के लिए प्रदर्शन डेटा जुटाना पड़ता है। इसके बाद मॉडल को ऑप्टिमाइज़ या फाइन-ट्यून किया जाता है। इस प्रक्रिया में मानव ऑपरेटर का समय, रोबोट का उपयोग और कंप्यूटिंग संसाधन लगते हैं। साथ ही, नए काम को सिखाते समय पहले से सीखे व्यवहार के कमजोर पड़ने का जोखिम भी रहता है।
HOST अनुकूलन की जगह बदल देता है। इसका प्री-ट्रेंड मॉडल स्थिर रहता है और मानव का वीडियो इंफरेंस के समय दिए गए काम-विशेष संदर्भ की तरह काम करता है। यह मॉडल के वेट्स में स्थायी बदलाव करने वाली ट्रेनिंग से अधिक in-context learning जैसा है। Robot learning पर हुए पहले के शोध में भी यह संभावना दिखाई गई है कि मॉडल अपने वेट्स बदले बिना observation-action context से व्यवहार को ढाल सकते हैं। 20
इसका व्यावहारिक वादा सीधा है: “रोबोट को दिखाइए” से “रोबोट को आजमाने दीजिए” तक का रास्ता छोटा हो सकता है। लेकिन इसका मतलब यह नहीं कि रोबोट 29 सेकंड में हर भौतिक सिद्धांत शून्य से सीख लेता है। अधिक सटीक रूप से, यह एक व्यापक रूप से प्री-ट्रेंड कौशल-आधार है, जो एक वीडियो की मदद से नए काम को चुनता, अपने शरीर के संदर्भ में समझता और उसे अंजाम देने की कोशिश करता है।
HOST मानव की हूबहू नकल क्यों नहीं करता?
मानव और रोबोट का कैमरा एंगल, हाथों का आकार, जोड़, पहुंच और गति अलग-अलग होते हैं। इसलिए वीडियो के पिक्सेल या मानव की joint trajectories को सीधे रोबोट पर लागू करना अक्सर नाजुक और असफल हो सकता है।
HOST इसके बजाय self-grounded prediction की एक श्रृंखला इस्तेमाल करता है। पहले यह अनुमान लगाया जाता है कि प्रदर्शन किए जा रहे काम में रोबोट किस चरण पर है। फिर यह भविष्यवाणी की जाती है कि उसी प्रगति का दृश्य रोबोट के अपने दृष्टिकोण से कैसा दिखेगा। अंत में, इन अनुमानित observations से रोबोट के लिए क्रियाएं निकाली जाती हैं। 18
इसके प्रमुख हिस्से इस अनुवाद की अलग-अलग समस्याओं को संभालते हैं:
- Vision module मानव प्रदर्शन और उसके अपेक्षित नतीजे को रोबोट-केंद्रित दृश्य संदर्भ में समझता है।
- Action generation module अनुमानित नतीजे को रोबोट द्वारा की जा सकने वाली क्रियाओं में बदलता है।
- Dynamic time warping (DTW) मानव और रोबोट की अलग-अलग गति से किए गए काम के समान चरणों को मिलाने में मदद करता है।
यही फर्क महत्वपूर्ण है। रोबोट से यह अपेक्षा नहीं की जाती कि वह मानव के शरीर की हरकतों को बिल्कुल दोहराए। उसे काम के दौरान होने वाले अर्थपूर्ण बदलावों का क्रम समझना है और अपने शरीर के हिसाब से उस नतीजे तक पहुंचने का तरीका खोजना है।
सिमुलेशन और cognitive science से मिलती है बड़ी तस्वीर
HOST का डिजाइन imitation को लक्ष्य-आधारित प्रक्रिया की तरह देखता है। यानी देखने वाला पहले समझता है कि किसी क्रिया का उद्देश्य क्या है, फिर अपने शरीर के अनुरूप मोटर प्लान चुनता है। यह वीडियो को फ्रेम-दर-फ्रेम trajectory की तरह दोहराने से अलग दृष्टिकोण है।
सिमुलेशन और बड़े पैमाने पर प्री-ट्रेनिंग रोबोट को वास्तविक तैनाती से पहले व्यापक शारीरिक और व्यवहारिक विविधता दे सकते हैं। इसके बाद छोटा-सा वास्तविक वीडियो उस खास काम की जानकारी देता है, जो रोबोट को उसी समय चाहिए। इससे Embodied AI के लिए एक संभावित recipe बनती है: पहले ऑफलाइन व्यापक कौशल-आधार सीखो, फिर इंफरेंस के समय मिले संदर्भ से जल्दी विशेषज्ञता हासिल करो।
यह दिशा अलग-अलग robot platforms के अनुभव को साझा करने वाले खुले datasets और foundation models के बढ़ते चलन से भी मेल खाती है। Open X-Embodiment जैसे प्रयासों में कई प्रकार के रोबोटों से जुटाए गए डेटा के जरिए दूसरे embodiments में भी transfer का अध्ययन किया गया है। 25
HOST को open-source करने का महत्व
X Square Robot द्वारा framework जारी किए जाने से अन्य शोधकर्ता और developer इसे देख, दोहरा और अलग परिस्थितियों में परख सकते हैं। Open implementation से यह जांचना संभव होगा कि video-to-action transfer अलग कैमरों, manipulators, वातावरण और कामों में कितना प्रभावी रहता है।
कंपनी ने अपने WALL embodied-model ecosystem के लिए भी training, inference, data preparation और evaluation से जुड़े code और tools जारी किए हैं। 26
27 X Square के लिए open source रणनीति के दो फायदे हो सकते हैं: बाहरी प्रयोगों को गति देना और अपने मॉडल तथा hardware ecosystem के आसपास developer familiarity बनाना।
हालांकि open source होना अपने-आप HOST के benchmark को प्रमाणित नहीं करता। इसका महत्व इतना है कि framework की मूल परिकल्पना को अधिक लोगों के लिए जांचने योग्य बनाया गया है—क्या रोबोट की पहले से सीखी क्षमताओं को हर नए manipulation task के लिए बार-बार fine-tune करने के बजाय, छोटे demonstration से इंफरेंस के समय ढाला जा सकता है?
62% सफलता दर क्या बताती है—और क्या नहीं?
62% सफलता दर शोध के लिहाज से उल्लेखनीय है, खासकर तब जब इसके साथ demonstrations और training time में कमी की बात भी सामने आती है। लेकिन यह भरोसेमंद स्वायत्तता के बराबर नहीं है। बताए गए मूल्यांकन में लगभग हर पांच में से दो प्रयास असफल रहे।
यह परिणाम यह भी साबित नहीं करता कि घरेलू रोबोट जिन सभी परिस्थितियों का सामना कर सकता है, उनमें HOST मजबूत प्रदर्शन करेगा। रोशनी में बदलाव, अव्यवस्थित वातावरण, वस्तुओं का अलग रूप, संपर्क के दौरान बदलती भौतिकी, गलती के बाद recovery, safety constraints, लंबे task sequences और अलग-अलग robot bodies पर आगे परीक्षण जरूरी होंगे। स्वतंत्र मूल्यांकन भी अहम है, क्योंकि मूल paper एक research preprint है और तुलना benchmark-विशेष है। 18
34
इसलिए सबसे विश्वसनीय निष्कर्ष यह नहीं है कि humanoid robots अब एक वीडियो से घर के काम सीख सकते हैं। अधिक सीमित, लेकिन उपयोगी निष्कर्ष यह है कि HOST Embodied AI के लिए एक नई दिशा दिखाता है: मॉडल को पहले व्यापक रूप से प्री-ट्रेन किया जाए, फिर मानव के छोटे प्रदर्शन से इंफरेंस के समय तेज, self-grounded कौशल-अनुकूलन कराया जाए। यदि यह परिणाम लेखकों के benchmark से बाहर भी दोहराया जा सका, तो inference-time skill acquisition टेलीऑपरेशन, डेटा संग्रह और हर काम के लिए बार-बार fine-tuning वाले महंगे चक्र का गंभीर विकल्प बन सकता है।
Studio Global AI
अपना शोध जारी रखें
इस पृष्ठ में एक स्रोत-समर्थित उत्तर शामिल है जिसे आप Studio Global के अंदर जारी रख सकते हैं।
लोग पूछते भी हैं
"29 सेकंड का वीडियो देखकर रोबोट ने सीखा नया हुनर: HOST फ्रेमवर्क कैसे बदल सकता है Embodied AI ट्रेनिंग" का संक्षिप्त उत्तर क्या है?
HOST ने कथित तौर पर 29 सेकंड के एक मानव वीडियो से मैनिपुलेशन कौशल सीखा और पहली कोशिश में औसतन 62% सफलता हासिल की। इसकी तुलना में Pi 0.5 आधारित फाइन ट्यून किए गए सिस्टम ने लगभग 50 रोबोट प्रदर्शनों और चार घंटे की ट्रेनि...
सबसे पहले सत्यापित करने योग्य मुख्य बिंदु क्या हैं?
HOST ने कथित तौर पर 29 सेकंड के एक मानव वीडियो से मैनिपुलेशन कौशल सीखा और पहली कोशिश में औसतन 62% सफलता हासिल की। इसकी तुलना में Pi 0.5 आधारित फाइन ट्यून किए गए सिस्टम ने लगभग 50 रोबोट प्रदर्शनों और चार घंटे की ट्रेनि... यह मानव की हरकतों की सीधी नकल या मॉडल वेट्स के अपडेट पर निर्भर नहीं करता। HOST रोबोट के अपने दृष्टिकोण से काम के नतीजे का अनुमान लगाकर वहां तक पहुंचने वाली क्रियाएं तैयार करता है।
मुझे अभ्यास में आगे क्या करना चाहिए?
यह तरीका Embodied AI को बार बार टेलीऑपरेशन और हर नए काम के लिए अलग ट्रेनिंग से हटाकर, इंफरेंस के समय छोटे मानव प्रदर्शन से तेज कौशल अनुकूलन की दिशा में ले जा सकता है।
सूत्र
arxiv.orgHOST: Robots Acquire Manipulation Skills in Seconds from ...
letsdatascience.comHOST Paper Reports Robot Skill Learning from One Video in 29 Seconds
robotics-transformer-x.github.ioOpen X-Embodiment: Robotic Learning Datasets and RT-X Models
github.comREADME.md - X-Square-Robot/wall-x