Markdown সংস্করণ

AI-translated from English; not yet reviewed by a fluent editor.

# স্তরভিত্তিক বিশ্ব মডেল দিয়ে সিমুলেটেড কাজে দৃশ্য পরিকল্পনা উন্নত করে H-JEPA

> H-JEPA-র তিন-স্তরের পরিকল্পক কম পরিকল্পনা-গণনা ব্যবহার করে সিমুলেটেড AntMaze-এ সাফল্য 18% থেকে 73%-এ বাড়ায়। বাস্তব রোবটের ভিডিওতে এর ফল অফলাইনে পথের বিশ্বস্ততা মাপে, রোবটের কাজ সম্পন্ন করা নয়।

By BIG CHANGE Editorial

Published: 2026-10-12T02:56:09.290Z
Updated: 2026-10-12T02:56:09.290Z
Canonical: https://bigchange.ai/blog/h-jepa-hierarchical-world-model-visual-planning

![A small orange sphere rests inside a raised tabletop maze, with a segmented orange route visible through the passages.](https://bigchange.ai/api/media/file/hjepa-maze-concept-hero-v2.png)
AI-generated conceptual illustration of hierarchical navigation planning by BIG CHANGE. The maze is not the AntMaze environment or a physical robot test.

H-JEPA-র পেছনের গবেষকেরা [H-JEPA ](https://arxiv.org/html/2610.06805v1)দিয়ে এমন একটি পদ্ধতি দেখিয়েছেন, যাতে দৃশ্যভিত্তিক বিশ্ব মডেল একাধিক সময়-স্কেলে পরিকল্পনা করতে পারে। একটি সিমুলেটেড গোলকধাঁধায় তাদের তিন-স্তরের পরিকল্পক 73% কাজ সম্পন্ন করেছে, সমতল মডেলের 18%-এর বিপরীতে, এবং পরিকল্পনা-গণনাও কম লেগেছে। 5 অক্টোবরের গবেষণাপত্রে বাস্তব রোবটের রেকর্ড করা ভিডিওও পরীক্ষা করা হয়েছে, তবে সেখানে প্রস্তাবিত পথগুলো অফলাইনে নম্বর পায়; রোবটকে পরিকল্পনা বাস্তবায়ন করতে দেখানো হয়নি।

রোবোটিকস গবেষক ও প্রকৌশলীদের জন্য প্রাসঙ্গিক প্রশ্ন হলো উন্নতি কি দীর্ঘ পরিকল্পনাকে ছোট ধাপে ভাগ করার ফল, লক্ষ্যপথের অগ্রগতি ভালোভাবে মাপতে শেখার ফল, নাকি দুটিই। গবেষণাপত্রে ব্যাখ্যাগুলো আলাদাভাবে পরীক্ষা করা হয়েছে। দৃশ্য পরিকল্পনা গবেষণার জন্য ফল আশাব্যঞ্জক, তবে বাস্তব রোবট সম্পর্কে অনুমানের ক্ষেত্রে গুরুত্বপূর্ণ সীমা আছে।

## মূল পরিবর্তন

- **কী বদলেছে:** H-JEPA কাজ-নির্ভর পূর্বাভাস মডেলের স্তর প্রশিক্ষণ দেয়। প্রতিটি স্তর তার নিজস্ব শেখা উপস্থাপনার মধ্যে আরও দূরের ভবিষ্যৎ দেখে, আর পরিকল্পক ওপরের স্তরের পূর্বাভাসিত অবস্থা নিচের স্তরের উপ-লক্ষ্যে রূপান্তর করে।
- **কেন গুরুত্বপূর্ণ:** Visual AntMaze-এ গবেষকেরা তিন-স্তরের পরিকল্পনার সাফল্য 73.3% এবং সমতল ভিত্তি মডেলের সাফল্য 18.0% জানিয়েছেন। অ্যাবলেশন থেকে বোঝা যায়, ছোট পরিকল্পনা-পর্ব ও ওপরের স্তরে লক্ষ্যকে আরও কার্যকরভাবে উপস্থাপন—দুটিই অবদান রাখে। রোবোটিকস দল স্তরবিন্যাসকে অবিভাজ্য উন্নতি না ধরে দুই পদ্ধতি আলাদাভাবে পরীক্ষা করতে পারে।
- **যা নজরে রাখতে হবে:** চারটি কাজের পরিবেশই সিমুলেটেড। অতিরিক্ত DROID পরীক্ষায় পরিকল্পিত রোবট-বাহুর পথ রেকর্ড করা বিশেষজ্ঞ-পথের সঙ্গে তুলনা করা হয়েছে; বিভিন্ন বাস্তব পরিবেশে ক্লোজড-লুপ পরীক্ষা আরেকটি অমীমাংসিত প্রশ্নের উত্তর দেবে।

## একাধিক সময়-স্কেলে পরিকল্পনা

বিশ্ব মডেল অনুমান করে, কোনো কাজের পর পরিবেশ কীভাবে বদলাতে পারে। H-JEPA যৌথ-এম্বেডিং পূর্বাভাস আর্কিটেকচার বা JEPA ব্যবহার করে; প্রতিটি ছবির পিক্সেল পুনর্গঠন না করে এটি ভবিষ্যৎ পর্যবেক্ষণের সংক্ষিপ্ত উপস্থাপনা অনুমান করে। এর [গবেষণাপত্র ](https://arxiv.org/html/2610.06805v1) পর্যবেক্ষণ ও কাজের গতিপথে যৌথভাবে প্রশিক্ষিত একটি স্তরবিন্যাস বর্ণনা করে। সর্বনিম্ন স্তর সূক্ষ্মতম সময়-ধাপ অনুসরণ করে। প্রতিটি ওপরের স্তর নিচের স্তর থেকে উপস্থাপনা পায়, দীর্ঘ ব্যবধানে কাজগুলো একত্র করে এবং পৃথক latent space-এ আরও দূরের পূর্বাভাস দেয়।

বর্তমান পর্যবেক্ষণ ও লক্ষ্য পর্যবেক্ষণ দিয়ে পরিকল্পনা শুরু হয়। ওপরের স্তর লক্ষ্য পর্যন্ত মোটামুটি পথ খোঁজে। তার পূর্বাভাসিত অবস্থা পরের স্তরকে পথ পরিমার্জনে সাহায্য করে। সর্বনিম্ন স্তর কাজ তৈরি করে। সিমুলেটেড ক্লোজড-লুপ মূল্যায়নে ব্যবস্থা প্রথম দিকের কিছু কাজ সম্পাদন করে, ফলের অবস্থা দেখে, তারপর আবার পরিকল্পনা করে। গবেষকেরা এটিকে LeWM-এর সঙ্গে তুলনা করেন—একই প্রথম-স্তরের JEPA, যা একাই প্রশিক্ষিত ও পরিকল্পনায় ব্যবহৃত—এবং এমন সময়ভিত্তিক স্তরবিন্যাসের সঙ্গে, যার স্তরগুলো একটি উপস্থাপনা ভাগ করে।

গোলকধাঁধায় আলাদা উপস্থাপনা গুরুত্বপূর্ণ, কারণ লক্ষ্য কোনো স্থানে পৌঁছানো হতে পারে, অথচ পিঁপড়ার পায়ের ভঙ্গি দ্রুত বদলায়। গবেষকদের পরীক্ষায় H-JEPA-র ওপরের স্তরগুলো পিঁপড়ার অবস্থান ধরে রেখেছে, কিন্তু পায়ের ভঙ্গির সূক্ষ্ম বিবরণ পুনরুদ্ধার করা কঠিন করেছে। FourRoom-এও একই ধারা দেখা যায়: স্বাধীনভাবে চলা বিভ্রান্তিকারী বস্তু ওপরের স্তরে কম চোখে পড়ে। ম্যানিপুলেশন ডেটাসেটে প্রভাব অনেক দুর্বল ছিল, কারণ মাপা দ্রুত ও ধীর গতির পার্থক্য কম। সূক্ষ্ম বিবরণ বাদ দিলে সব কাজ উপকৃত হয়—গবেষণাপত্র তা প্রতিষ্ঠা করে না।

## তুলনাগুলো কী দেখায়

গবেষকেরা Visual AntMaze ও FourRoom Distractors-এ নেভিগেশন, এবং Push-T ও OGBench Cube-এ ম্যানিপুলেশন মূল্যায়ন করেছেন। এগুলো স্থির ক্যামেরা ও পটভূমিসহ সিমুলেটেড কাজ। বিভিন্ন পরিকল্পনা বাজেটে তিনটি পর্যন্ত স্তর যোগ করলে AntMaze, FourRoom ও Cube-এ সাফল্য বনাম গণনার ভারসাম্য উন্নত হয়। Push-T ব্যতিক্রম: পরীক্ষিত বাজেটে দুই স্তর সমতল ভিত্তি মডেলের সমান বা ভালো ছিল, আর তিন স্তরের ফল খারাপ। গবেষকেরা এর সংক্ষিপ্ত পর্বের কথা বলেন, যা গভীর মডেলের জন্য ব্যবহারযোগ্য প্রশিক্ষণ ক্লিপ কম রাখে।

আলাদা AntMaze কাজের সেটে সমতল LeWM ভিত্তি মডেলের গড় সাফল্য ছিল **18.0%, মানক ত্রুটি 3.5 শতাংশ-পয়েন্ট**, আর সম্পূর্ণ তিন-স্তরের H-JEPA পরিকল্পনার গড় ছিল **73.3%, মানক ত্রুটি 3.5 শতাংশ-পয়েন্ট**। মডেল ও পরিকল্পকের তিন জোড়া seed-এর ওপর লেখকদের জানানো গড় এই দুই সংখ্যা। গবেষণাপত্রের [সাফল্য বনাম পরিকল্পক FLOPs তুলনা](https://arxiv.org/html/2610.06805v1) আরও দেখায়, মাপা পরিকল্পনা-গণনা কমিয়েও স্তরবিন্যাস বেশি সাফল্য পায়। এটি রোবট প্রশিক্ষণ ও স্থাপনের মোট খরচ মাপে না।

অ্যাবলেশনগুলো প্রতিটি অংশের অবদান পরিষ্কার করে। একটি অভিন্ন উপস্থাপনাসহ সময়ভিত্তিক স্তরবিন্যাস চার পরিবেশেই সমতল ভিত্তি মডেলকে ছাড়িয়ে যায়, যা পরিকল্পনা ভাগ করার মূল্য দেখায়। AntMaze-এ ওপরের স্তরের উপস্থাপনা শুধু সমতল পরিকল্পকের অনুমান করা লক্ষ্য-দূরত্বের স্কোর করতেও ব্যবহার করলে সাফল্য বাড়ে। তবে এই পরিবর্তন একা সম্পূর্ণ স্তরভিত্তিক পরিকল্পকের 73.3% গড়ে পৌঁছায়নি। এই মূল্যায়নে দুই প্রভাব পরিপূরক। Push-T ও Cube-এ, যেখানে গবেষণাপত্রে নির্বাচিত বিমূর্ততার প্রভাব কম পাওয়া গেছে, শুধু লক্ষ্য-খরচের উপস্থাপনা বদলে স্পষ্ট সুবিধা হয়নি।

## বাস্তব রোবট ভিডিওর সীমা

গবেষকেরা আরও ব্যবহার করেছেন [DROID রোবট-ম্যানিপুলেশন ভিডিও](https://arxiv.org/html/2610.06805v1)। রেকর্ড করা পর্বভেদে দৃশ্য, বস্তু ও আলো বদলে যায়। গবেষণাপত্র বলছে, এ অবস্থায় শুধু পূর্বাভাসনির্ভর মডেল স্থিতিশীল পটভূমিকে বেশি গুরুত্ব দিয়ে চলমান রোবটের তথ্য হারাতে পারে। দলটি inverse-dynamics loss যোগ করে এবং ধারাবাহিক শেখা অবস্থার মধ্যবর্তী কাজ অনুমান করতে একটি উপাদান প্রশিক্ষণ দেয়, যাতে উপস্থাপনায় এজেন্টের গতি থাকে। এই সংযোজনে শেখা দুই-স্তরের স্তরবিন্যাস গবেষণাপত্রের অফলাইন পরিকল্পনা-নিষ্ঠা মাপে সমতল ভিত্তি মডেলকে ছাড়ায় এবং পরিকল্পক-গণনা কম লাগে।

এই মাপ প্রস্তাবিত ত্রিমাত্রিক end-effector পথকে রেকর্ডিংয়ের বিশেষজ্ঞ-পথের সঙ্গে তুলনা করে। গবেষণাপত্রের ক্যালিব্রেশন অনুযায়ী বিশেষজ্ঞ-পথের মান 100%, আর স্থির বাহুর 0%। প্রস্তাবিত কাজ সম্পাদনের পর রোবট কাজটি শেষ করবে কি না, এটি তা মাপে না। বদলানো দৃশ্যের সিমুলেটর ডেটাসেটে নেই বলে গবেষকেরা DROID পরিকল্পনাগুলো open-loop পদ্ধতিতে মূল্যায়ন করেছেন। BIG CHANGE মডেল প্রশিক্ষণ, [সর্বজনীন কোড](https://github.com/kevinghst/H-JEPA)চালানো, বা রোবট পরীক্ষা করেনি।

কোড ভান্ডারে প্রশিক্ষণ ও পরিকল্পনার স্ক্রিপ্ট এবং গবেষণাপত্রের নির্বাচিত চিত্র ও টেবিল পুনরুৎপাদনের নির্দেশনা রয়েছে। গবেষকেরা পদ্ধতিটি দেখতে পারেন, তবে গবেষণাপত্রটি এখনও প্রিপ্রিন্ট এবং বাস্তব জগতের প্রমাণ অফলাইনেই সীমিত। আমাদের আগের [GPT-Policy প্রতিবেদন ](https://bigchange.ai/blog/gpt-policy-robot-learning-vlm-agents)প্রাসঙ্গিক উদাহরণ ও রোবট-টুল অনুরোধনির্ভর আলাদা পদ্ধতি নিয়ে। এর ফল H-JEPA-র বিশ্ব-মডেল পরিকল্পনাকে যাচাই করে না।

## সূত্র ও আরও পড়ুন

- [Zhang ও সহকর্মীরা, “H-JEPA: End-to-End Learning of Hierarchical World Models for Visual Planning,” arXiv v1](https://arxiv.org/html/2610.06805v1): 5 অক্টোবর 2026-এ জমা দেওয়া প্রধান প্রিপ্রিন্ট। 2–4 নম্বর অধ্যায় ও পরিকল্পনা পরিশিষ্টে পদ্ধতি, সিমুলেটর তুলনা, তিন seed-সহ AntMaze ফল এবং DROID অফলাইন প্রোটোকল রয়েছে। এগুলো লেখকদের ফল, স্বাধীন পুনরুৎপাদন বা বাস্তব স্থাপনার প্রমাণ নয়।
- [H-JEPA প্রকল্পের পৃষ্ঠা](https://h-jepa.com/): স্তরভিত্তিক পূর্বাভাস, ওপর থেকে নিচে পরিকল্পনা, চার সিমুলেটেড পরিবেশ এবং DROID বিশ্বস্ততা পরীক্ষা নিয়ে লেখকদের দৃশ্য ব্যাখ্যা। উদাহরণগুলো জানানো পরীক্ষা তুলে ধরে; নির্বাচিত ভিডিও প্রতি-পরীক্ষার কর্মক্ষমতা-তথ্য নয়।
- [H-JEPA-র সর্বজনীন কোড ভান্ডার](https://github.com/kevinghst/H-JEPA): লেখকদের প্রশিক্ষণ ও পরিকল্পনা বাস্তবায়ন, পরিবেশের তালিকা এবং নির্বাচিত ফল পুনরুৎপাদনের নির্দেশনা। BIG CHANGE ভান্ডারের বিবরণ ও নির্দেশনা দেখেছে, কিন্তু কোড চালায়নি।
- [BIG CHANGE, “GPT-Policy রোবট-বাহু ও মোবাইল অনুসন্ধান কাজে প্রেক্ষাপট পরীক্ষা করে”](https://bigchange.ai/blog/gpt-policy-robot-learning-vlm-agents): রোবোটিকসের আলাদা গবেষণা-পদ্ধতি নিয়ে আগের প্রতিবেদন। এটি প্রেক্ষাপট দেয়, H-JEPA-র ফলের প্রমাণ নয়।

## Sources

- [H-JEPA: End-to-End Learning of Hierarchical World Models for Visual Planning, arXiv v1](https://arxiv.org/html/2610.06805v1) — পদ্ধতি, চার সিমুলেটেড কাজের মূল্যায়ন, AntMaze ফল ও অ্যাবলেশন, এবং DROID অফলাইন Fréchet-নিষ্ঠা প্রোটোকল নিয়ে প্রধান প্রিপ্রিন্ট। লেখকদের চালানো ফল; স্বাধীন পুনরুৎপাদন বা বাস্তব স্থাপনা নয়।
- [H-JEPA লেখকদের প্রকল্প পৃষ্ঠা](https://h-jepa.com/) — স্তরবিন্যাস ও পরীক্ষার বিষয়ে লেখকদের ব্যাখ্যামূলক পৃষ্ঠা এবং দৃশ্য উদাহরণ। নির্বাচিত ভিডিও ফল দেখায়, কিন্তু প্রতি-পরীক্ষার ফলের তথ্য দেয় না।
- [H-JEPA-র সর্বজনীন কোড ভান্ডার](https://github.com/kevinghst/H-JEPA) — লেখকদের প্রশিক্ষণ/পরিকল্পনা বাস্তবায়ন এবং নির্বাচিত চিত্র ও টেবিল পুনরুৎপাদনের নির্দেশনা। BIG CHANGE এটি নথি হিসেবে দেখেছে, কোড চালায়নি।
- [BIG CHANGE, GPT-Policy রোবট-বাহু ও মোবাইল অনুসন্ধান কাজে প্রেক্ষাপট পরীক্ষা করে](https://bigchange.ai/blog/gpt-policy-robot-learning-vlm-agents) — অন্য রোবোটিকস পদ্ধতি ও পরীক্ষা নিয়ে আগের সম্পর্কিত প্রতিবেদন। শুধু প্রেক্ষাপট; followUpTo সম্পর্ক নেই।