H-JEPA படிநிலை உலக மாதிரியின் மூலம் உருவகப்படுத்தப்பட்ட பணிகளில் காட்சி திட்டமிடலை மேம்படுத்துகிறது

H-JEPA-வை உருவாக்கிய ஆராய்ச்சியாளர்கள் H-JEPA மூலம் காட்சி உலக மாதிரி பல கால அளவுகளில் திட்டமிடும் முறையை முன்வைக்கின்றனர். ஒரு உருவகப்படுத்தப்பட்ட சிக்கல் பாதையில், அவர்களின் மூன்று-நிலை திட்டமிடி 73% பணிகளை முடித்தது; தட்டையான மாதிரி 18% மட்டுமே முடித்தது; திட்டமிடல் கணக்கீடும் குறைவாக இருந்தது. அக்டோபர் 5 ஆய்வுக் கட்டுரை பதிவு செய்யப்பட்ட உண்மையான ரோபோ வீடியோக்களையும் சோதிக்கிறது, ஆனால் அச்சோதனைகளில் முன்மொழியப்பட்ட பாதைகள் ஆஃப்லைனில் மதிப்பிடப்படுகின்றன; ரோபோ திட்டங்களைச் செயல்படுத்துவது காட்டப்படவில்லை.

ரோபோட்டிக்ஸ் ஆராய்ச்சியாளர்களுக்கும் பொறியாளர்களுக்கும் பயன்படும் கேள்வி, நீண்ட திட்டத்தைச் சிறிய படிகளாகப் பிரித்ததாலா, இலக்கை நோக்கிய முன்னேற்றத்தைச் சிறப்பாக அளக்கும் முறையைக் கற்றதாலா, அல்லது இரண்டாலுமா முன்னேற்றம் கிடைத்தது என்பதாகும். கட்டுரை இந்த விளக்கங்களைத் தனித்தனியாகச் சோதிக்கிறது. காட்சி திட்டமிடல் ஆராய்ச்சிக்கு முடிவுகள் நம்பிக்கையளிப்பவை; ஆனால் இயற்பியல் ரோபோக்களைப் பற்றி ஊகிக்கக் கூடியவற்றுக்கு முக்கிய வரம்புகள் உள்ளன.

பெரிய மாற்றம்

• என்ன மாறியது: H-JEPA செயல்களால் நிபந்தனைப்படுத்தப்படும் முன்கணிப்பு மாதிரிகளின் அடுக்கை பயிற்றுவிக்கிறது. ஒவ்வொரு நிலையும் அதன் சொந்தக் கற்ற பிரதிநிதித்துவத்தில் மேலும் தொலைவை நோக்கிப் பார்க்கிறது; திட்டமிடி மேல்நிலையின் கணிக்கப்பட்ட நிலைகளை கீழ்நிலைக்கான துணை இலக்குகளாக மாற்றுகிறது.
• இது ஏன் முக்கியம்: Visual AntMaze-இல் மூன்று-நிலை திட்டமிடலுக்கு 73.3% வெற்றியும், தட்டையான அடிப்படை மாதிரிக்கு 18.0% வெற்றியும் கிடைத்ததாக ஆசிரியர்கள் தெரிவிக்கின்றனர். குறுகிய திட்டமிடல் பகுதிகளும் மேல்நிலையில் பயனுள்ள இலக்கு பிரதிநிதித்துவமும் இரண்டும் பங்களிக்கின்றன என ablation-கள் காட்டுகின்றன. படிநிலையைப் பிரிக்க முடியாத ஒரே மேம்பாடாகக் கருதாமல் ரோபோட்டிக்ஸ் குழு இவ்விரு வழிமுறைகளையும் தனித்தனியாக ஆராயலாம்.
• கவனிக்க வேண்டியது: நான்கு பணி சூழல்களும் உருவகப்படுத்தப்பட்டவை. கூடுதல் DROID சோதனை திட்டமிடப்பட்ட ரோபோ கைப் பாதைகளைப் பதிவு செய்யப்பட்ட நிபுணர் பாதைகளுடன் ஒப்பிடுகிறது; பல்வேறு இயற்பியல் சூழல்களில் மூடிய-சுழற்சி சோதனை இன்னும் திறந்துள்ள வேறு கேள்விக்கு விடையளிக்கும்.

பல கால அளவுகளில் திட்டம்

ஒரு செயலுக்குப் பிறகு சூழல் எவ்வாறு மாறலாம் என்பதை உலக மாதிரி முன்கணிக்கிறது. H-JEPA கூட்டு-உட்பொதிப்பு முன்கணிப்பு கட்டமைப்பு (JEPA) பயன்படுத்துகிறது; ஒவ்வொரு படப்புள்ளியையும் மீண்டும் உருவாக்காமல் எதிர்காலக் கவனிப்புகளின் சுருக்கமான பிரதிநிதித்துவங்களை அது கணிக்கிறது. அதன் கட்டுரை கவனிப்பு மற்றும் செயல் பாதைகளில் இணைந்து பயிற்றுவிக்கப்பட்ட படிநிலையை விவரிக்கிறது. மிகக் கீழ்நிலை மிக நுண்ணிய காலப் படிகளைப் பின்பற்றுகிறது. ஒவ்வொரு மேல்நிலையும் கீழ்நிலையின் பிரதிநிதித்துவங்களைப் பெற்று, நீண்ட இடைவெளியில் செயல்களை ஒருங்கிணைத்து, தனி latent space-இல் மேலும் தொலைவை முன்கணிக்கிறது.

தற்போதைய கவனிப்பும் இலக்கு கவனிப்பும் கொண்டு திட்டமிடல் தொடங்குகிறது. மேல்நிலை இலக்கை நோக்கிய தோராயமான வழியைத் தேடுகிறது. அதன் கணிக்கப்பட்ட நிலைகள் அடுத்த நிலையை வழிநடத்தி வழியைச் செம்மைப்படுத்துகின்றன. கீழ்நிலை செயல்களை உருவாக்குகிறது. உருவகப்படுத்தப்பட்ட மூடிய-சுழற்சி மதிப்பீடுகளில், அமைப்பு தொடக்கச் செயல்களின் ஒரு பகுதியைச் செய்து, கிடைத்த நிலையைப் பார்த்து மீண்டும் திட்டமிடுகிறது. தனியாகப் பயிற்றுவிக்கப்பட்டு திட்டமிடும் அதே முதல்-நிலை JEPA ஆன LeWM-உடனும், நிலைகள் ஒரே பிரதிநிதித்துவத்தைப் பகிரும் காலப் படிநிலையுடனும் ஆராய்ச்சியாளர்கள் இதை ஒப்பிடுகின்றனர்.

சிக்கல் பாதையில் தனித்த பிரதிநிதித்துவங்கள் முக்கியம்; இலக்கு ஓர் இடத்தை அடைவதாக இருக்கலாம், அதேவேளையில் எறும்பின் கால் நிலை வேகமாக மாறும். H-JEPA மேல்நிலைகள் எறும்பின் இடத்தைத் தக்கவைத்தாலும் கால் நிலை விவரங்களை மீட்டெடுக்கக் கடினமாக்கின என்று ஆசிரியர்களின் ஆய்வுகள் கண்டன. தனித்தனியாக நகரும் கவனச்சிதறல் பொருள் மேல்நிலைகளில் குறைவாகத் தென்பட்ட FourRoom-இலும் இதே போக்கு இருந்தது. அளவிடப்பட்ட வேகமான, மெதுவான இயக்கங்கள் குறைவாகப் பிரிந்த manipulation தரவுத்தொகுப்புகளில் விளைவு மிகவும் குறைவாக இருந்தது. நுண் விவரங்களை நீக்குவது எல்லாப் பணிகளுக்கும் நன்மை தரும் என்று கட்டுரை நிறுவவில்லை.

ஒப்பீடுகள் காட்டுவது

Visual AntMaze மற்றும் FourRoom Distractors-இல் வழிசெலுத்தலையும், Push-T மற்றும் OGBench Cube-இல் manipulation-ஐயும் ஆசிரியர்கள் மதிப்பிட்டனர். நிலையான கேமராக்களும் பின்னணிகளும் கொண்ட உருவகப்படுத்தப்பட்ட பணிகள் இவை. வெவ்வேறு திட்டமிடல் வரம்புகளில் மூன்று நிலைகள் வரை சேர்த்ததால் AntMaze, FourRoom, Cube ஆகியவற்றில் வெற்றிக்கும் கணக்கீட்டுக்கும் இடையிலான சமநிலை மேம்பட்டது. Push-T விதிவிலக்காக இருந்தது: சோதித்த வரம்புகளில் இரண்டு நிலைகள் தட்டையான அடிப்படை மாதிரிக்கு இணையாகவோ மேலாகவோ இருந்தன; மூன்று நிலைகள் மோசமாகச் செயல்பட்டன. ஆழமான மாதிரிகளுக்குப் பயன்படுத்தக்கூடிய பயிற்சி கிளிப்புகள் குறைவாகக் கிடைக்கச் செய்யும் அதன் குறுகிய episodes-ஐ ஆசிரியர்கள் சுட்டுகின்றனர்.

தனி AntMaze பணி தொகுப்பில் தட்டையான LeWM அடிப்படை மாதிரியின் சராசரி வெற்றி 18.0%; நிலையான பிழை 3.5 சதவீதப் புள்ளிகள்; முழுமையான மூன்று-நிலை H-JEPA திட்டமிடலின் சராசரி 73.3%; நிலையான பிழை 3.5 சதவீதப் புள்ளிகள் ஆகும். மாதிரி மற்றும் திட்டமிடியின் மூன்று இணை random seed-களின் மீதான ஆசிரியர்-அறிக்கை சராசரிகள் இவை. கட்டுரையின் வெற்றிக்கும் திட்டமிடி FLOPs-க்கும் இடையிலான ஒப்பீடு குறைந்த அளவிடப்பட்ட திட்டமிடல் கணக்கீட்டில் படிநிலை அதிக வெற்றியை அடைவதையும் காட்டுகிறது. ரோபோவைப் பயிற்றுவித்து பயன்படுத்துவதற்கான மொத்தச் செலவை இது அளவிடவில்லை.

ஒவ்வொரு கூறின் பங்களிப்பையும் ablation-கள் தெளிவுபடுத்துகின்றன. பகிரப்பட்ட பிரதிநிதித்துவம் கொண்ட காலப் படிநிலை நான்கு சூழல்களிலும் தட்டையான அடிப்படை மாதிரியை விடச் சிறப்பாக இருந்தது; திட்டத்தைப் பிரிப்பதில் மதிப்பு இருப்பதை இது காட்டுகிறது. AntMaze-இல், தட்டையான திட்டமிடி கணித்த இலக்குத் தூரத்தை மதிப்பிடுவதற்காக மட்டும் மேல்நிலை பிரதிநிதித்துவத்தைப் பயன்படுத்தியபோதும் வெற்றி உயர்ந்தது. ஆனால் அந்த மாற்றம் மட்டும் முழுப் படிநிலை திட்டமிடியின் 73.3% சராசரியை எட்டவில்லை. இந்த மதிப்பீட்டில் இரு விளைவுகளும் ஒன்றுக்கொன்று துணை செய்கின்றன. தேர்ந்தெடுத்த சுருக்கம் குறைவாக இருந்த Push-T, Cube ஆகியவற்றில் இலக்கு-செலவு பிரதிநிதித்துவத்தை மட்டும் மாற்றியதால் தெளிவான நன்மை கிடைக்கவில்லை.

உண்மையான ரோபோ வீடியோக்களின் வரம்பு

ஆராய்ச்சியாளர்கள் DROID ரோபோ manipulation வீடியோக்களையும் பயன்படுத்தினர். பதிவு செய்யப்பட்ட episodes இடையே காட்சிகள், பொருட்கள், ஒளியமைப்பு மாறுகின்றன. இத்தகைய சூழலில் தூய முன்கணிப்பு மாதிரி நிலையான பின்னணிக்கு முக்கியத்துவம் கொடுத்து நகரும் ரோபோ பற்றிய தகவலை இழக்கலாம் எனக் கட்டுரை கூறுகிறது. பிரதிநிதித்துவத்தில் முகவரின் இயக்கம் நிலைக்க, தொடர்ச்சியாகக் கற்ற நிலைகளுக்கிடையிலான செயலை ஊகிக்க ஒரு கூறுக்குப் பயிற்சி அளித்து inverse-dynamics loss-ஐ குழு சேர்த்தது. அந்தச் சேர்க்கையுடன் கற்ற இரு-நிலை படிநிலை, கட்டுரையின் ஆஃப்லைன் திட்டமிடல்-விசுவாச அளவீட்டில் தட்டையான அடிப்படை மாதிரியை விட மேம்பட்டு, குறைந்த திட்டமிடி கணக்கீட்டையும் பயன்படுத்தியது.

இந்த அளவீடு முன்மொழியப்பட்ட முப்பரிமாண end-effector பாதையைப் பதிவிலுள்ள நிபுணர் பாதையுடன் ஒப்பிடுகிறது. கட்டுரையின் அளவுத்திருத்தப்படி நிபுணர் பாதை 100%, அசையாத கை 0%. முன்மொழியப்பட்ட செயல்களைச் செய்த பிறகு ரோபோ பணியை முடிக்குமா என்பதை இது அளவிடவில்லை. மாறும் காட்சிகளுக்கான simulator தரவுத்தொகுப்பில் இல்லாததால் ஆசிரியர்கள் DROID திட்டங்களை open-loop முறையில் மதிப்பிட்டனர். BIG CHANGE மாதிரியைப் பயிற்றுவிக்கவில்லை, பொது குறியீட்டை இயக்கவில்லை, ரோபோவையும் சோதிக்கவில்லை.

குறியீட்டு repository-யில் பயிற்சி மற்றும் திட்டமிடல் scripts, கட்டுரையின் தேர்ந்தெடுத்த படங்கள் மற்றும் அட்டவணைகளை மீண்டும் உருவாக்குவதற்கான வழிமுறைகள் உள்ளன. ஆராய்ச்சியாளர்கள் முறையைப் பார்க்க இது உதவும்; ஆனால் கட்டுரை இன்னும் preprint, இயற்பியல் உலகச் சான்றுகள் ஆஃப்லைனிலேயே உள்ளன. எங்கள் முந்தைய GPT-Policy அறிக்கை சூழல் எடுத்துக்காட்டுகள் மற்றும் ரோபோ-கருவி கோரிக்கைகளை அடிப்படையாகக் கொண்ட வேறு அணுகுமுறையைப் பற்றியது; அதன் முடிவுகள் H-JEPA உலக மாதிரி திட்டமிடலை உறுதிப்படுத்தவில்லை.

ஆதாரங்கள் மற்றும் மேலும் வாசிக்க

• Zhang மற்றும் சகாக்கள், “H-JEPA: End-to-End Learning of Hierarchical World Models for Visual Planning,” arXiv v1: 2026 அக்டோபர் 5 அன்று சமர்ப்பிக்கப்பட்ட முதன்மை preprint. பிரிவுகள் 2–4 மற்றும் திட்டமிடல் இணைப்பு முறை, simulator ஒப்பீடுகள், மூன்று seed கொண்ட AntMaze எண்ணிக்கைகள் மற்றும் DROID ஆஃப்லைன் நடைமுறையை விளக்குகின்றன. இவை ஆசிரியர்களின் முடிவுகள்; சுயாதீன மறுஉருவாக்கமோ இயற்பியல் செயல்படுத்தல் சான்றோ அல்ல.
• H-JEPA திட்டப் பக்கம்: படிநிலை முன்கணிப்பு, மேலிருந்து கீழ் திட்டமிடல், நான்கு உருவகப்படுத்தப்பட்ட சூழல்கள், DROID விசுவாசச் சோதனை குறித்த ஆசிரியர்களின் காட்சி விளக்கம். எடுத்துக்காட்டுகள் தெரிவிக்கப்பட்ட சோதனைகளை விளக்குகின்றன; தேர்ந்தெடுத்த வீடியோக்கள் ஒவ்வொரு சோதனைக்குமான செயல்திறன் தரவு அல்ல.
• H-JEPA பொது குறியீட்டு repository: ஆசிரியர்களின் பயிற்சி மற்றும் திட்டமிடல் செயலாக்கம், சூழல் பட்டியல், தேர்ந்தெடுத்த முடிவுகளை மீளுருவாக்கும் வழிமுறைகள். BIG CHANGE repository விளக்கத்தையும் வழிமுறைகளையும் பார்த்தது; குறியீட்டை இயக்கவில்லை.
• BIG CHANGE, “GPT-Policy ரோபோ கை மற்றும் நகரும் ஆய்வுப் பணிகளில் சூழலைச் சோதிக்கிறது”: வேறுபட்ட ரோபோட்டிக்ஸ் ஆய்வு முறையைப் பற்றிய முந்தைய செய்தி. பின்னணியை வழங்குகிறது; H-JEPA முடிவுகளுக்கான சான்றல்ல.