रोबोपॉलिसी को फाइन-ट्यून क्यों करें?
आधुनिक vision-language-action (VLA) मॉडल नई मैनिपुलेशन स्थितियों में देखी गई चीज़ों को अच्छी तरह से सामान्यीकृत करते हैं। लेकिन वास्तविक दुनिया में स्थिर काम के लिए उनके प्री-ट्रेंड कौशल लगभग हमेशा अपर्याप्त होते हैं: वस्तु के हल्के से खिसकने, प्रकाश में बदलाव या हिस्से के आकार में बदलाव होने पर वही क्रिया विफल हो सकती है। यहाँ क्लासिक दृष्टिकोण भी मदद नहीं करते: शुरू से सीखना उन उपयोगी प्रायर को अनदेखा करता है जो मॉडल को पहले से बड़े डेटासेट पर मिले होते हैं, और सामान्य फाइन-ट्यूनिंग के लिए बहुत अधिक प्रयास और गणना की आवश्यकता होती है। इसी अंतर को एक नया विकास — EXPO-FT सिस्टम — भरता है, जो तैयार रोबोपॉलिसी के लिए स्थिर और किफायती RL-फाइन-ट्यूनिंग प्रदान करता है।
दृष्टिकोण कैसे काम करता है
लेखकों का मुख्य विचार यह है कि मॉडल को शुरू से दोबारा न प्रशिक्षित किया जाए और प्राथमिकता वाले कार्यों के लिए बेकार की कोशिशों पर संसाधन बर्बाद न किए जाएँ। इसके बजाय, EXPO-FT पहले से कार्यों को समझने वाले VLA-मॉडल को इस तरह से ठीक करता है कि वह नई आवश्यकताओं के लिए जल्दी से अनुकूलित हो जाए। यह दृष्टिकोण मैनिपुलेशन के बारे में सामान्य ज्ञान को बनाए रखने और साथ ही उन विशेष क्रियाओं को निखारने की अनुमति देता है जो किसी विशिष्ट अनुप्रयोग के लिए आवश्यक हैं।
इसके अतिरिक्त, डेवलपर्स ने सीखने की प्रक्रिया की स्थिरता का ध्यान रखा है। विवरण के अनुसार, सिस्टम उन कार्यों को हल करता है जिन्हें पारंपरिक रूप से कठिन माना जाता है: इसमें सटीक रूप से स्ट्रिंग लाइट बिछाना और फिर सॉकेट में प्लग लगाना, बिलियर्ड बॉल पर गतिशील प्रहार करके उसे पॉकेट में डालना, और वाइन की बोतल की संकरी गर्दन में फूल को सावधानी से रखना शामिल है। इन सभी परिदृश्यों में, पोजिशनिंग की सटीकता और वस्तुओं की प्रारंभिक व्यवस्था में भिन्नता पर समय पर प्रतिक्रिया दोनों महत्वपूर्ण हैं।
क्या परीक्षण किया गया और क्या परिणाम मिले
लेखकों ने कई ऐसे परिदृश्यों पर विधि का परीक्षण किया और परिणाम से संतुष्ट थे। विकास ने एक आदर्श संतुलन हासिल किया: सभी मूल्यांकित कार्यों में, सिस्टम ने 30 में से 30 मामलों में सफलतापूर्वक कार्य पूरा किया। साथ ही, उसे वस्तुओं के साथ रोबोट की वास्तविक अंतःक्रियाओं के औसतन केवल लगभग 19 मिनट की आवश्यकता थी। यह स्पष्ट है कि यह एक एपिसोड का समय नहीं है, बल्कि ऑनलाइन डेटा की कुल मात्रा है जो फाइन-ट्यूनिंग के लिए आवश्यक थी, और यह पारंपरिक योजनाओं की तुलना में काफी कम है। शुरू से सीखने के तरीकों और VLA-पॉलिसी के क्लासिक RL-फाइन-ट्यूनिंग विकल्पों की तुलना में, EXPO-FT ने सफलता दर में बेहतर प्रदर्शन किया, और इसलिए व्यावहारिकता में भी: कम डेटा, अधिक सफल निष्पादन।
खुला कोड और आगे के कदम
विशेष रूप से ध्यान देने योग्य बात यह है कि शोधकर्ताओं ने सिस्टम को बंद नहीं रखा। EXPO-FT प्रोजेक्ट खुले स्रोत कोड के साथ प्रकाशित किया जा रहा है — यह अन्य टीमों को परिणामों को दोहराने, विधि को अपने स्वयं के रोबोटिक्स प्लेटफार्मों के अनुकूल बनाने और अपने दृष्टिकोणों के साथ तुलना करने की अनुमति देता है। प्रकाशन के समय, पेपर के दो संस्करण घोषित किए गए हैं: पहला मई 2026 में आया, दूसरा उसी वर्ष मध्य अगस्त में, और यह संभवतः समुदाय से प्रतिक्रिया को पहले ही ध्यान में रख चुका है। ऐसा लगता है कि EXPO-FT केवल एक और प्रयोगशाला तकनीक नहीं है, बल्कि वास्तविक रोबोटिक्स में बड़े प्री-ट्रेंड मॉडल के अधिक व्यावहारिक उपयोग की दिशा में एक कदम है, जहाँ सीमित कम्प्यूटेशनल बजट और उपलब्ध भौतिक परीक्षणों की संख्या महत्वपूर्ण हैं।
