Markdown ایڈیشن

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

# OGPO روبوٹ پالیسیوں کو نقلی عمل کی غلطیوں سے بحالی کی تربیت دیتا ہے

> آف لائن تربیت کا ایک طریقہ روبوٹ کی حرکتی راہوں میں پیش رفت کی نشاندہی کرتا ہے اور عمل درآمد کے دوران کئی خلل کے باوجود نقلی حرکتی کام کے نتائج بہتر بناتا ہے۔ حقیقی روبوٹوں پر اس کی قابلِ اعتماد کارکردگی ابھی آزمائی نہیں گئی۔

By BIG CHANGE Editorial

Published: 2026-10-12T08:04:09.296Z
Updated: 2026-10-12T08:04:09.296Z
Canonical: https://bigchange.ai/blog/ogpo-offline-vla-robot-recovery

![A conceptual robotic arm with an open gripper above a tipped orange block beside a shallow tray holding an upright block.](https://bigchange.ai/api/media/file/ogpo-recovery-concept-hero-v1.png)
AI-generated conceptual illustration by BIG CHANGE. It does not depict an OGPO test or a physical deployment.

کامیاب مظاہروں کی نقل کرنے کی تربیت پانے والی روبوٹ پالیسی کو اس وقت مشکل پیش آ سکتی ہے جب گرفت ناکام ہو جائے یا بازو ایسی جگہ پہنچ جائے جس کا ریکارڈ شدہ راستے میں احاطہ نہ ہو۔ ایک [9 اکتوبر کے مقالے](https://arxiv.org/html/2610.12914) میں چینی اکیڈمی آف سائنسز اور پیکنگ یونیورسٹی کے محققین موجودہ روبوٹ حرکتی راستوں میں کام کی پیش رفت کی بنیاد پر وژن-لینگوئج-ایکشن (VLA) پالیسیوں کی تربیت کا طریقہ بیان کرتے ہیں۔ ان کا طریقہ Offline Goal-conditioned Policy Optimization (OGPO) ایسے نقلی حرکتی آزمائشوں میں کامیابی کی شرح بہتر کرتا ہے جن میں عمل کے دوران خلل شامل تھے۔ مقالہ حقیقی روبوٹ پر تعیناتی یا آزادانہ نقلِ تجربہ کی اطلاع نہیں دیتا۔

## بڑی تبدیلی

- **کیا بدلا:** OGPO ریکارڈ شدہ روبوٹ حرکتی راستوں کے مراحل کو قابلِ حصول کام کی پیش رفت کی حالتوں کے طور پر نشان زد کرتا ہے، پھر انہی نشانات کے ذریعے آف لائن تربیت کے دوران اگلے مرحلے کی طرف پالیسی کو لے جانے والے اعمال کو انعام دیتا ہے۔
- **یہ اہم کیوں ہے:** درمیانی حالت تک پہنچنے کی اہمیت سیکھنے والی پالیسی کے پاس اس وقت زیادہ راستے ہو سکتے ہیں جب گرفت یا حرکت مظاہرے کے راستے سے ہٹ جائے۔ مقالہ اس مفروضے کو نقلی ماحول میں آزماتا ہے؛ یہ حقیقی روبوٹ پر قابلِ اعتماد کارکردگی ثابت نہیں کرتا۔
- **کیا دیکھنا ہے:** آزادانہ طور پر نتائج دہرانا، جسمانی روبوٹ بازوؤں پر کارکردگی، اور ایسے کام جن کی پیش رفت کو گرفت کے واقعات سے تقسیم نہ کیا جا سکے، طریقے کی حدود واضح کریں گے۔

## ریکارڈ شدہ کوششوں سے پیش رفت سیکھنا

مصنفین کامیاب مظاہروں اور ناکام حرکتی راستوں سے آغاز کرتے ہیں۔ OGPO ہر راستے کو وہاں تقسیم کرتا ہے جہاں گرفت کرنے والے آلے کی حالت بدلتی ہے، مثلاً کھلنے یا بند ہونے پر، اور ہر حصے کو مقامی ہدف دیتا ہے۔ مکمل حصوں کو مثبت نشان ملتا ہے۔ وژن-لینگوئج ماڈل نشان زد کرتا ہے کہ ناکام راستے کے حصوں نے اپنے مقامی اہداف حاصل کیے یا نہیں؛ یوں آخرکار ناکام ہونے والی کوشش بھی درمیانی پیش رفت کے شواہد دے سکتی ہے۔ مصنفین کا [طریقۂ کار کا حصہ](https://arxiv.org/html/2610.12914) اس نشان دہی کے عمل اور تربیتی مقاصد کی وضاحت کرتا ہے۔

یہ نشان مکمل حالتوں کی طرف بڑھنے پر تربیتی انعام، انہیں حاصل کرنے پر اضافی انعام، اور جب کوئی حصہ اپنا ہدف حاصل نہ کرے تو جرمانہ پیدا کرتے ہیں۔ ایک قدر کا ماڈل اندازہ لگاتا ہے کہ کن مشاہدہ شدہ حالتوں کے بعد پیش رفت ہوتی ہے۔ پھر OGPO زیادہ تخمینی برتری رکھنے والے ریکارڈ شدہ اعمال کو زیادہ وزن دیتا ہے اور کامیاب مظاہروں پر زیرِ نگرانی فائن ٹیوننگ کو عمل کے پیشگی نمونے کے طور پر برقرار رکھتا ہے۔ تربیت کے دوران انعامات بنانے کے لیے مقامی ہدف استعمال ہوتا ہے؛ یہ تعینات شدہ پالیسی یا اس کے قدر کے فنکشن کا اضافی اِن پٹ نہیں۔ مقالے کے نفاذی تفصیلات کے مطابق قدر کا ماڈل تربیت کے دوران استعمال ہوتا ہے۔

یہ ڈیزائن نقل پر مبنی تربیت کے ایک محدود مسئلے پر توجہ دیتا ہے۔ ہر ریکارڈ شدہ قدم پر ماہر کا عمل نقل کرنے سے ماڈل کو معلوم ہوتا ہے کہ اس راستے پر کیا ہوا۔ OGPO کوشش کرتا ہے کہ جب پالیسی کسی ممکنہ انحراف سے گزرے تو درمیانی نتائج بھی معلوماتی ہوں۔ بحالی کی صلاحیت پھر بھی اس بات پر منحصر ہے کہ مقررہ ڈیٹا سیٹ میں کیا شامل ہے۔ مصنفین واضح طور پر خبردار کرتے ہیں کہ ڈیٹا سے بہت زیادہ انحراف کی صورتیں اب بھی پہنچ سے باہر رہ سکتی ہیں۔

## بینچ مارک کیا دکھاتے ہیں

مصنفین نے OGPO کو LIBERO اور MetaWorld کے نقلی حرکتی کاموں کے مجموعوں پر π0 اور π0.5 VLA بیک بون کے ساتھ آزمایا۔ مقالے کے LIBERO موازنے میں چند مثالوں سے تربیت یافتہ زیرِ نگرانی π0.5 بنیادی نظام نے اوسطاً **77.1%** کام میں کامیابی حاصل کی؛ اسی ابتدائی پالیسی نے OGPO کے ساتھ اوسطاً **97.1%** حاصل کیا۔ LIBERO-Long پر رپورٹ شدہ نتیجہ **43.9% سے 93.2%** تک بڑھا۔ یہ مخصوص بینچ مارک اور ابتدائی پالیسی کے کام کی کامیابی کی شرحیں ہیں، روبوٹ کی عمومی کامیابی کی شرح نہیں۔

دو خلل والے حالات میں بحالی کو زیادہ براہِ راست آزمایا گیا۔ LIBERO-Plus کیمرے کا زاویہ، روبوٹ کی ابتدائی حالت، بصری شور یا اشیا کی ترتیب بدلتا ہے۔ مصنفین کی LIBERO-ReAct توسیع منتخب 20 قدمی وقفے کے دوران عمل کے شور، گرفت کا الٹا حکم، یا آخری مؤثر حصے کی پوزیشن بدل کر عمل میں خلل ڈالتی ہے۔ مضبوطی کے جدول میں مکمل مثالوں والی زیرِ نگرانی π0.5 بنیادی پالیسی کے مقابلے میں OGPO کا مجموعی اسکور **81.8% بمقابلہ 76.7%** تھا۔ گرفت کا حکم الٹنے پر کامیابی **87.7% بمقابلہ 76.8%** رہی۔ کیمرے کے زاویے کے معاملے میں نتیجہ الٹا تھا: **بنیادی نظام کے 62.8% سے OGPO کے 61.5% تک**۔ اس لیے مجموعی بہتری ہر خلل پر لاگو نہیں ہوتی۔

محققین نے تربیتی طریقے کے کچھ حصے بھی ہٹائے۔ ان کے تجزیوں میں درمیانی ہدف کا انعام یا آف لائن تقویتی جزو نکالنے پر کارکردگی کم ہوئی؛ زیرِ نگرانی جزو ہٹانے سے بھی نقصان ہوا۔ اس سے مصنفین کی ترتیب میں بہتری کے ممکنہ حصے کا پتا چلتا ہے، لیکن یہ طریقے کا آزادانہ ٹیسٹ نہیں۔

## باقی حد

گرفت کی تبدیلیاں OGPO میں حرکتی راستوں کی حدیں متعین کرتی ہیں۔ مصنفین تسلیم کرتے ہیں کہ جہاں کام کی پیش رفت کے ساتھ گرفت کا کوئی فطری واقعہ نہ ہو وہاں یہ طریقہ کم موزوں ہو سکتا ہے۔ وہ آف لائن ڈیٹا کے معیار اور وسعت پر انحصار کی بھی نشاندہی کرتے ہیں۔ رپورٹ شدہ آزمائشیں نقلی حرکتی بینچ مارک ہیں، اور مقالہ حقیقی روبوٹوں پر کام مکمل ہونے کی پیمائش شدہ شرح یا عملی حفاظت کا نتیجہ پیش نہیں کرتا۔

آف لائن VLA تربیت کا جائزہ لینے والی ٹیموں کے لیے مقالہ ایک ٹھوس موازنہ دیتا ہے: انہی ریکارڈ شدہ حرکتی راستوں پر تربیت دیں، پھر قابو میں رکھی گئی انحرافات کے بعد کام کی تکمیل آزمائیں۔ اس کے مضبوط ترین شواہد نقلی حرکتی کاموں سے آتے ہیں، خصوصاً عمل کے دوران گرفت میں خلل سے۔ BIG CHANGE نے مقالے اور اس کے رپورٹ شدہ جدولوں کا جائزہ لیا؛ ہم نے نہ ماڈل کی تربیت کی اور نہ روبوٹ آزمایا۔

## ذرائع اور مزید مطالعہ

- [OGPO مقالہ، arXiv v1، 9 اکتوبر 2026](https://arxiv.org/html/2610.12914): طریقہ، بینچ مارک کی ترتیب، اہم جدول، تجزیے، نفاذی تفصیلات اور بیان کردہ حدود۔ arXiv ریکارڈ کے مطابق مقالہ NeurIPS 2026 میں قبول ہوا۔ نتائج مصنفین کی رپورٹ کردہ ہیں۔
- [arXiv خلاصہ اور ورژن ریکارڈ](https://arxiv.org/abs/2610.12914): عنوان، مصنفین، جمع کرانے کا وقت اور ورژن کی حالت۔
- [H-JEPA کی بصری منصوبہ بندی پر BIG CHANGE](https://bigchange.ai/blog/h-jepa-hierarchical-world-model-visual-planning): درجہ وار عالمی ماڈل کے ذریعے منصوبہ بندی سے متعلق روبوٹکس تحقیق۔ H-JEPA الگ طریقہ اور مقالہ ہے، جس کے جائزے کے شواہد مختلف ہیں۔

## Sources

- [OGPO: Offline Goal-conditioned Policy Optimization for Recoverable Vision-Language-Action Models، مکمل HTML مقالہ](https://arxiv.org/html/2610.12914) — مصنفین کا بنیادی مقالہ۔ §§3–5، جدول 1–3، تجزیے اور ضمیمے E–F طریقہ، نقلی نتائج، نفاذ اور بیان کردہ حدود قائم کرتے ہیں۔ نتائج مصنفین کی رپورٹ کردہ ہیں۔
- [OGPO کا arXiv خلاصہ اور ورژن ریکارڈ](https://arxiv.org/abs/2610.12914) — عنوان، مصنفین، جمع کرانے کا وقت، v1 کی حالت اور NeurIPS 2026 میں قبولیت بتانے والا arXiv تبصرہ۔
- [BIG CHANGE: H-JEPA درجہ وار عالمی ماڈل کے ساتھ نقلی کاموں میں بصری منصوبہ بندی بہتر بناتا ہے](https://bigchange.ai/blog/h-jepa-hierarchical-world-model-visual-planning) — متعلقہ مگر الگ روبوٹکس طریقہ اور شواہد کی حد؛ صرف سیاق و سباق، کوئی followUpTo تعلق نہیں۔