Markdown संस्करण

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

# HomeBody ह्यूमनॉइड रोबोट की स्थानिक स्मृति को दोबारा इस्तेमाल किए जा सकने वाले रोबोट कौशलों से जोड़ता है

> Caltech और Stanford के शोधकर्ता Unitree G1 को याद रखे गए रसोई-नक्शे और दोबारा इस्तेमाल किए जा सकने वाले कौशलों के साथ काम करते दिखाते हैं। जारी सामग्री में कुछ चुनिंदा प्रदर्शन हैं; नियंत्रित नतीजे, पूरा शोधपत्र या रोबोट का कोड उपलब्ध नहीं है।

By BIG CHANGE Editorial

Published: 2026-09-27T14:28:31.966Z
Updated: 2026-09-27T14:28:31.966Z
Canonical: https://bigchange.ai/blog/homebody-humanoid-spatial-memory-robot-skills

![Conceptual charcoal illustration of a white humanoid robot walking toward a closed drawer in a light wood kitchen.](https://bigchange.ai/api/media/file/homebody-kitchen-g1-hero-v1.png)
AI-generated conceptual illustration by BIG CHANGE.

Caltech और Stanford की टीम ने [HomeBody का प्रदर्शन किया है](https://tml.stanford.edu/homebody/)— यह एक शोध प्रणाली है जिसमें GPT Astra नेविगेशन और वस्तु-संभाल के कौशलों का उपयोग करके Unitree G1 को रसोई के काम कराता है। रोबोट पहले कमरे का जायज़ा लेता है और वस्तुओं को जहाँ देखा था, वह स्थान दर्ज करता है। टीम के प्रदर्शनों में रोबोट कॉफ़ी के पैकेट इकट्ठा करता है, बताए गए डिब्बे फेंकता है और दवा की बोतल को कैमरे की नज़र से बाहर हो जाने के बाद दराज़ से निकालता है।

## बड़ा बदलाव

- **क्या बदला:** HomeBody किसी vision-language मॉडल को खोजे गए कमरे के स्थानिक रिकॉर्ड और रोबोट कौशलों के लिए एक साझा इंटरफ़ेस देता है। मॉडल कौशल और लक्ष्य चुनता है; स्थानीय सॉफ़्टवेयर गति की योजना बनाकर उसे अंजाम देता है और फिर नतीजा बताता है।
- **यह क्यों मायने रखता है:** मॉडल इस रसोई के लिए कोई नई action policy प्रशिक्षित किए बिना अलग-अलग स्थानों में काम की योजना बना सकता है और प्रतिक्रिया के आधार पर आगे बढ़ सकता है। टीम के प्रदर्शन दिखाते हैं कि लंबे काम पूरे करने के लिए स्मृति और पहले से मौजूद मोटर-कौशल कैसे जोड़े जा सकते हैं।
- **क्या अब भी स्पष्ट नहीं है:** सार्वजनिक रिलीज़ में कुछ चुने हुए प्रदर्शन हैं, नियंत्रित सफलता-दर अध्ययन नहीं। 27 सितंबर तक शोधपत्र और रोबोट का कोड सार्वजनिक नहीं थे, इसलिए रिलीज़ से बताए गए प्रदर्शन को स्वतंत्र रूप से दोहराकर जाँचना अभी संभव नहीं है।

## रोबोट कमरे को कैसे याद रखता है

HomeBody में पहले रोबोट कमरे का जायज़ा लेता है। [परियोजना के तैनाती-विवरण के अनुसार](https://tml.stanford.edu/homebody/) G1 चौड़े दृश्य वाला iPhone वीडियो, D435i कैमरे के दृश्य, LiDAR स्कैन, जोड़ों की मुद्राएँ और मॉडल द्वारा चुने गए रास्ता-बिंदु इकट्ठा करता है। LiDAR पर आधारित SLAM नक्शा कमरे की मापी हुई बनावट देता है। Astra इस सामग्री से Nvidia Isaac Sim में एक डिजिटल ट्विन बनाता है। टीम नक्शे और पुनर्निर्माण को इस तरह संरेखित करती है कि रिकॉर्ड किए गए कैमरा दृश्य और रोबोट की मौजूदा स्थिति एक ही निर्देशांक-प्रणाली में हों।

यह तैयारी तब काम आती है जब निर्देश ऐसी वस्तु का ज़िक्र करे जिसे रोबोट उस समय देख नहीं सकता। दवा के अनुरोध पर, टीम के अनुसार HomeBody दराज़ खोजने के लिए कैमरे के पहले से सहेजे गए मुख्य फ़्रेम याद करता है, वहाँ जाता है, दराज़ खोलता है और बोतल उठाता है। कमरे का मॉडल नेविगेशन और स्थान याद करने में मदद करता है; अंतिम भौतिक क्रिया अब भी लाइव कैमरे के मार्गदर्शन में होती है।

परियोजना पृष्ठ पर दिखाया गया [रसोई का इंटरैक्टिव पुनर्निर्माण](https://tml.stanford.edu/homebody/) स्पष्ट रूप से उदाहरण के तौर पर चिह्नित है और पुनर्निर्मित कमरे में चलता है। पृष्ठ G1 द्वारा रसोई के काम करते हुए अलग वीडियो भी दिखाता है और नेविगेशन, उठाने, रखने तथा दराज़ वाले कौशलों की क्लिप को वास्तविक रोबोट फ़ुटेज कहता है। वीडियो टीम के चुने हुए प्रयास दर्ज करते हैं, जबकि सिमुलेशन का पुनर्प्रदर्शन योजना का क्रम समझाता है।

## मॉडल के निर्णय से गति तक

मॉडल को काम का निर्देश, मौजूदा कैमरा दृश्य, नक्शे का संदर्भ, ग्रिपर की स्थिति, याद किए गए दृश्य और पिछले कौशल का नतीजा मिलता है। वह संरचित कॉल भेजकर कौशल और लक्ष्य बताता है। वस्तु उठाने के लिए लक्ष्य 0–1000 पैमाने पर छवि का एक बिंदु और हाथ का चुनाव होता है। स्थानीय दृश्य-प्रणाली वस्तु को अलग पहचानती है, स्टीरियो छवियों से उसकी गहराई का अनुमान लगाती है और चुने बिंदु को 3D पकड़ में बदलती है। फिर बाँह का योजनाकार गति-पथ निकालकर उसकी जाँच करता है। नेविगेशन के लिए नक्शे के निर्देशांकों में 2D लक्ष्य और सामने की दिशा का बिंदु दिया जाता है; वस्तु रखने के लिए 3D छोड़ने का बिंदु चाहिए। दराज़ खोलने की क्रिया हैंडल के साथ संरेखण, उसे पकड़ने और पीछे चलने को एक ही कार्रवाई में जोड़ती है।

कौशल अपने स्तर पर छोटे सुधार करते हैं। टीम पास जाते समय दृश्य-आधारित ट्रैकिंग और पकड़ चूकने पर सीमित संख्या में दोबारा कोशिश करने का वर्णन करती है। सुधार सफल न हो तो कौशल अगला निर्णय लेने के लिए Astra को कारण लौटाता है। चलने और हाथ बढ़ाने के लिए पहले से प्रशिक्षित पूरे शरीर का AMO नियंत्रक इस्तेमाल होता है। पृष्ठ के मुताबिक बाँह और हाथ के आदेश 250 Hz पर चलते हैं और AMO नीति 50 Hz पर अपडेट होती है। Astra दूरस्थ रूप से चलता है; दृश्य-प्रणाली, गति-योजना और कौशल RTX 4090 GPU वाले लैपटॉप पर चलते हैं।

Astra तय करता है *कौन-सा* कदम आज़माना है और *कहाँ*; जबकि कौशल-पुस्तकालय और नियंत्रक तय करते हैं *कैसे* G1 चलता है। टीम कहती है कि रसोई के प्रदर्शनों के लिए परिवेश-विशेष प्रशिक्षण डेटा या अतिरिक्त नीति-अधिगम का उपयोग नहीं हुआ। फिर भी इस व्यवस्था में पहले से प्रशिक्षित नियंत्रण प्रणाली और कमरे का विस्तृत पुनर्निर्माण शामिल हैं।

## प्रदर्शन क्या साबित करते हैं

परियोजना पृष्ठ पहले न देखी गई रसोई में किए गए दो भौतिक कामों का क्रम बताता है। एक में रोबोट कॉफ़ी के पैकेट इकट्ठा करता है और बताए गए दूध तथा संतरे के रस के डिब्बे फेंकता है। दूसरे में G1 अधूरे निर्देश से दवा की बोतल ढूँढ़ता है, उसे दराज़ से निकालता है, आगे बढ़ाता है और एक डिब्बा फेंकता है। कौशलों की क्लिप अलग-अलग क्रियाएँ और दर्ज की गई दोबारा कोशिशें दिखाती हैं; पृष्ठ कहता है कि अधिकतर पूर्वावलोकन तेज़ चलाए गए हैं और दराज़ से वस्तु उठाने के क्रम में लगातार पुनः प्रयास दिखते हैं।

रिलीज़ में परीक्षणों की संख्या, कामों की सफलता-दर, सीखे गए vision-language-action मॉडल से तुलना, या हर सफल रसोई-प्रयास का समय और खर्च नहीं दिया गया। इसलिए यह व्यवस्था का प्रदर्शन है, इस बात का मापा हुआ प्रमाण नहीं कि यह डिज़ाइन दूसरी रसोइयों में भरोसेमंद ढंग से काम करेगा। [सार्वजनिक लिंक किया गया कोड-भंडार](https://github.com/Stanford-TML/homebody) अभी “Code coming soon” कहता है और परियोजना पृष्ठ के Paper लेबल से कोई शोधपत्र जुड़ा नहीं है। भंडार में वेबसाइट, चित्र और वीडियो हैं, रोबोट का कार्यान्वयन या मूल्यांकन फ़ाइलें नहीं। BIG CHANGE ने HomeBody चलाकर नहीं देखा और न ही किसी रोबोट का परीक्षण किया।

BIG CHANGE की पहले की [GPT-Policy रिपोर्ट](https://bigchange.ai/blog/gpt-policy-robot-learning-vlm-agents) में रोबोट की कार्रवाइयों के संदर्भ पर एक अलग टीम का शोधपत्र देखा गया था। HomeBody की सामग्री उस शोधपत्र को इस प्रणाली का हिस्सा नहीं बताती।

टीम व्यावहारिक सीमाएँ गिनाती है: डिजिटल ट्विन बनाने में सेटअप का समय और API खर्च लगता है; Astra के दूरस्थ तर्क से कौशलों के बीच ठहराव आता है; G1 क्या कर सकता है, यह उसकी पहुँच और वस्तुओं को सँभालने की क्षमता से सीमित है; और लंबे समय तक काम करने पर उँगलियों के सर्वो गरम हो सकते हैं। स्थानीय व्यवस्था के लिए RTX 4090 वाला लैपटॉप चाहिए और अधिक जटिल कौशलों को ज़्यादा गणना-क्षमता लग सकती है।

## स्रोत और आगे पढ़ें

- [Caltech और Stanford के शोधकर्ताओं का HomeBody परियोजना पृष्ठ](https://tml.stanford.edu/homebody/) — प्रणाली की बनावट, रसोई के प्रदर्शन, सिमुलेशन के उदाहरण, कौशल इंटरफ़ेस, नियंत्रण व्यवस्था और बताई गई सीमाओं का प्राथमिक विवरण। पृष्ठ सितंबर 2026 का है; चुने हुए वीडियो और विवरण टीम के प्रमाण हैं, स्वतंत्र मूल्यांकन नहीं।
- [Stanford TML का सार्वजनिक HomeBody कोड-भंडार](https://github.com/Stanford-TML/homebody) — परियोजना पृष्ठ से जुड़ा है। 27 सितंबर 2026 को जाँच के समय README में कोड जल्द आने की बात थी; सार्वजनिक फ़ाइलों में वेबसाइट की सामग्री है, रोबोट का कार्यान्वयन या पूरा शोधपत्र नहीं। भंडार बनाने की तारीख़ प्रयोग होने की तारीख़ साबित नहीं करती।

## Sources

- [Caltech और Stanford के शोधकर्ताओं का HomeBody परियोजना पृष्ठ](https://tml.stanford.edu/homebody/) — वास्तुकला, रसोई में रोबोट के भौतिक प्रदर्शनों, स्पष्ट रूप से उदाहरण बताई गई सिमुलेशन प्रक्रिया, कौशल इंटरफ़ेस, गणना व्यवस्था और बताई गई सीमाओं का मूल विवरण। चुना हुआ फ़ुटेज और विवरण नियंत्रित स्वतंत्र मूल्यांकन नहीं हैं। Paper लेबल के साथ कोई शोधपत्र जुड़ा नहीं है।
- [Stanford TML का सार्वजनिक HomeBody कोड-भंडार](https://github.com/Stanford-TML/homebody) — README में कहा गया है कि कोड जल्द आएगा। सार्वजनिक फ़ाइलों में परियोजना की वेबसाइट और मीडिया हैं, रोबोट का कार्यान्वयन या मूल्यांकन फ़ाइलें नहीं। भंडार बनाए जाने से प्रयोगों का समय साबित नहीं होता।