Caltech اور Stanford کی ایک ٹیم نے HomeBody دکھایا، ایک تحقیقی نظام جس میں GPT Astra، نیویگیشن اور چیزیں سنبھالنے کی مہارتیں استعمال کرکے Unitree G1 کو باورچی خانے کے کام کرواتا ہے۔ روبوٹ پہلے کمرے کی کھوج لگاتا اور اشیا کی دیکھی گئی جگہیں محفوظ کرتا ہے۔ ٹیم کے مظاہروں میں یہ کافی کے تھیلے اکٹھے کرتا، بتائے گئے ڈبے پھینکتا اور دوا کی بوتل دراز سے نکالتا ہے، حالاں کہ بوتل کیمرے کے منظر سے باہر جا چکی ہوتی ہے۔

بڑی تبدیلی

  • کیا بدلا ہے: HomeBody ایک vision-language model کو کھوجے گئے کمرے کے مکانی ریکارڈ اور روبوٹ کی مہارتوں کے لیے مشترک انٹرفیس تک رسائی دیتا ہے۔ ماڈل مہارت اور ہدف چنتا ہے؛ مقامی سافٹ ویئر حرکت کا منصوبہ بنا کر اسے انجام دیتا ہے، پھر نتیجہ بتاتا ہے۔
  • یہ کیوں اہم ہے: ماڈل اس باورچی خانے کے لیے نئی action policy تربیت دیے بغیر مختلف جگہوں کے درمیان منصوبہ بنا سکتا اور فیڈبیک استعمال کر سکتا ہے۔ ٹیم کے مظاہرے دکھاتے ہیں کہ یادداشت اور پہلے سے موجود حرکتی مہارتوں کو ملا کر طویل کام کیسے انجام دیے جا سکتے ہیں۔
  • کیا ابھی کھلا ہے: عوامی ریلیز میں چنے ہوئے مظاہرے ہیں، کامیابی کی شرح کا کنٹرولڈ مطالعہ نہیں۔ 27 ستمبر تک مقالہ اور روبوٹ کا کوڈ عوامی طور پر دستیاب نہیں؛ اس لیے رپورٹ کردہ کارکردگی کو ریلیز سے آزادانہ طور پر دوبارہ نہیں دہرایا جا سکتا۔

روبوٹ کمرے کو کیسے یاد رکھتا ہے

HomeBody کی ابتدا کھوج سے ہوتی ہے۔ پروجیکٹ کی تعیناتی کی تفصیل کے مطابق، G1 وسیع زاویے کی iPhone ویڈیو، D435i کیمرے کے مشاہدات، LiDAR اسکین، جوڑوں کی پوز اور ماڈل کے چنے ہوئے راستے کے نشانات جمع کرتا ہے۔ LiDAR پر مبنی SLAM نقشہ کمرے کی ناپی گئی جیومیٹری دیتا ہے۔ Astra اس مواد سے Nvidia Isaac Sim میں ڈیجیٹل ٹوئن بناتا ہے۔ ٹیم نقشے اور تعمیرِ نو کو اس طرح ہم آہنگ کرتی ہے کہ محفوظ کیمرہ مناظر اور روبوٹ کی موجودہ جگہ ایک ہی کوآرڈینیٹ فریم میں آ جائیں۔

یہ تیاری تب اہم ہوتی ہے جب ہدایت کسی ایسی شے سے متعلق ہو جسے روبوٹ اس وقت نہیں دیکھ سکتا۔ دوا کی درخواست کے لیے، ٹیم کا کہنا ہے کہ HomeBody محفوظ کیے گئے کیمرہ keyframes یاد کرکے دراز ڈھونڈتا، وہاں جاتا، اسے کھولتا اور بوتل اٹھاتا ہے۔ کمرے کا ماڈل راستہ تلاش کرنے اور جگہ یاد کرنے میں مدد دیتا ہے؛ آخری جسمانی عمل کی رہنمائی پھر بھی براہِ راست کیمرہ کرتا ہے۔

پروجیکٹ کے صفحے پر باورچی خانے میں انٹرایکٹو عمل کی ویڈیو کو واضح طور پر تمثیلی کہا گیا ہے اور یہ تعمیرِ نو کیے گئے کمرے میں دکھائی گئی ہے۔ صفحہ الگ سے G1 کے باورچی خانے کے کاموں کی ویڈیوز بھی دکھاتا ہے، اور نیویگیشن، اٹھانے، رکھنے اور دراز کی مہارت کی کلپس کو حقیقی روبوٹ کی فوٹیج قرار دیتا ہے۔ وہ ویڈیوز ٹیم کے منتخب تجربات درج کرتی ہیں، جبکہ مصنوعی ماحول میں دوبارہ دکھائی گئی ویڈیو منصوبہ بندی کی ترتیب سمجھاتی ہے۔

ماڈل کے فیصلے سے حرکت تک

ماڈل کو کام، کیمرے کا موجودہ منظر، نقشے کا سیاق، gripper کی حالت، یاد کیے گئے مشاہدات اور پچھلی مہارت کا نتیجہ ملتا ہے۔ یہ ایک منظم کال بھیجتا ہے جس میں مہارت اور ہدف کا نام ہوتا ہے۔ چیز اٹھانے کے لیے ہدف 0–1000 پیمانے پر تصویر میں ایک نقطہ اور ہاتھ کا انتخاب ہے۔ مقامی ادراک سافٹ ویئر شے کی حد بندی کرتا، سٹیریو تصاویر سے اس کی گہرائی کا اندازہ لگاتا اور انتخاب کو سہ جہتی گرفت میں بدلتا ہے۔ پھر بازو کا منصوبہ ساز حرکت کا راستہ نکالتا اور جانچتا ہے۔ نیویگیشن نقشے کے نقاط میں دو جہتی منزل اور رخ کا نقطہ لیتی ہے؛ شے رکھنے کے لیے تین جہتی چھوڑنے کا مقام دیا جاتا ہے۔ دراز کھولنے کی مہارت دستے کے ساتھ سیدھ، اسے پکڑنا اور پیچھے چلنا ایک ہی عمل میں سمیٹتی ہے۔

مہارتیں مقامی طور پر چھوٹی اصلاحات کرتی ہیں۔ ٹیم قریب جاتے وقت بصری ٹریکنگ اور گرفت چھوٹنے پر محدود تعداد میں دوبارہ کوششوں کی وضاحت کرتی ہے۔ اگر بحالی ناکام ہو تو مہارت وجہ Astra کو واپس دیتی ہے تاکہ وہ اگلا فیصلہ کرے۔ چلنے اور پہنچنے کے لیے پہلے سے تربیت یافتہ مکمل جسم کا کنٹرولر AMO استعمال ہوتا ہے۔ صفحے کے مطابق بازو اور ہاتھ کے احکامات 250 Hz پر چلتے ہیں اور AMO پالیسی 50 Hz پر اپ ڈیٹ ہوتی ہے۔ Astra دور سے چلتا ہے؛ ادراک، حرکت کی منصوبہ بندی اور مہارتیں RTX 4090 GPU والے لیپ ٹاپ پر چلتی ہیں۔

Astra منتخب کرتا ہے کہ کون سا عمل آزمانا ہے اور کہاں؛ مہارتوں کی لائبریری اور کنٹرولرز طے کرتے ہیں کہ کس طرح G1 حرکت کرے۔ ٹیم کے مطابق باورچی خانے کے مظاہروں میں ماحول کے لیے مخصوص تربیتی ڈیٹا یا پالیسی کی اضافی تربیت استعمال نہیں ہوئی۔ پہلے سے تربیت یافتہ کنٹرول اور کمرے کی خاصی تفصیلی تعمیرِ نو پھر بھی اس سیٹ اپ کا حصہ ہیں۔

یہ مظاہرے کیا ثابت کرتے ہیں

پروجیکٹ صفحہ پہلے سے نہ دیکھے گئے باورچی خانے میں جسمانی کاموں کے دو سلسلے بیان کرتا ہے۔ ایک میں کافی کے تھیلے جمع کیے اور دودھ اور اورنج جوس کے بتائے ہوئے ڈبے پھینکے جاتے ہیں۔ دوسری میں G1 ناکافی تفصیل والی درخواست سے دوا کی بوتل ڈھونڈتا، اسے دراز سے نکالتا، کسی کو پکڑاتا اور ایک ڈبہ پھینکتا ہے۔ مہارتوں کی کلپس میں الگ الگ عمل اور ریکارڈ شدہ دوبارہ کوششیں دکھائی گئی ہیں؛ صفحے کے مطابق زیادہ تر پیش نظارے تیز کیے گئے ہیں اور دراز سے چیز اٹھانے کی ایک ترتیب میں مسلسل کوششیں دکھائی گئی ہیں۔

ریلیز میں آزمائشوں کی تعداد، کاموں کی کامیابی کی شرح، سیکھی ہوئی vision-language-action پالیسی سے موازنہ، یا باورچی خانے کے ہر مکمل عمل کا وقت اور خرچ نہیں دیا گیا۔ اس لیے یہ ایک نظامی خاکے کا مظاہرہ ہے، اس بات کا ناپا ہوا دعویٰ نہیں کہ یہ ڈیزائن دوسرے باورچی خانوں میں قابلِ اعتماد طور پر کام کرتا ہے۔ منسلک عوامی ریپوزٹری میں فی الحال “Code coming soon” لکھا ہے، اور پروجیکٹ صفحے کے Paper عنوان کے ساتھ کوئی مخطوطہ منسلک نہیں۔ ریپوزٹری میں ویب سائٹ، تصاویر اور ویڈیوز ہیں، روبوٹ کا عملی کوڈ یا جانچ کی فائلیں نہیں۔ BIG CHANGE نے HomeBody نہیں چلایا اور نہ روبوٹ آزمایا۔

BIG CHANGE کی پہلے کی GPT-Policy رپورٹ میں ایک دوسری ٹیم کے مقالے میں روبوٹ کے اعمال کے سیاق کا جائزہ لیا گیا تھا۔ HomeBody کے مواد میں اس مقالے کو اس نظام کا حصہ قرار نہیں دیا گیا۔

ٹیم چند عملی رکاوٹیں بھی گنواتی ہے: ڈیجیٹل ٹوئن بنانے میں ابتدائی وقت اور API کا خرچ لگتا ہے؛ Astra کی دور سے کی جانے والی استدلالی کارروائی مہارتوں کے درمیان وقفے پیدا کرتی ہے؛ پہنچنے اور چیزیں سنبھالنے کی حدود G1 کے کام محدود کرتی ہیں؛ اور انگلیوں کے سروو مسلسل کام کے دوران زیادہ گرم ہو سکتے ہیں۔ مقامی نظام کے لیے RTX 4090 والا لیپ ٹاپ درکار ہے، اور زیادہ بھاری مہارتوں کو مزید کمپیوٹنگ درکار ہو سکتی ہے۔

ماخذ اور مزید مطالعہ

  • Caltech اور Stanford کے محققین کا HomeBody پروجیکٹ صفحہ — نظام، باورچی خانے کے مظاہروں، مصنوعی ماحول میں دوبارہ دکھائی گئی ترتیب، مہارتوں کے انٹرفیس، کنٹرول اسٹیک اور بیان کردہ حدود کا بنیادی ماخذ۔ صفحہ ستمبر 2026 کا ہے؛ اس کی منتخب ویڈیوز اور وضاحتیں ٹیم کے شواہد ہیں، آزادانہ جائزہ نہیں۔ Paper کا عنوان کسی مقالے سے منسلک نہیں۔
  • Stanford TML کی عوامی HomeBody ریپوزٹری — پروجیکٹ صفحے سے منسلک ہے۔ 27 ستمبر 2026 کو دیکھنے پر README میں Code coming soon درج تھا؛ عوامی فائلوں میں روبوٹ کے عملی کوڈ یا مکمل مقالے کے بجائے ویب سائٹ کے وسائل موجود تھے۔