Nvidia, Carnegie Mellon University, और University of California, Berkeley के शोधकर्ताओं ने ENPIRE पेश किया - एक ढांचा जो AI कोडिंग एजेंटों को वास्तविक हार्डवेयर पर रोबोट नियंत्रण नीतियों में सुधार करने की अनुमति देता है।
यह प्रणाली एक बंद लूप में चलती है: रोबोट एक कार्य करता है, वातावरण स्वचालित रूप से परिणाम का मूल्यांकन करता है और इसे अपनी प्रारंभिक स्थिति में वापस लाता है, और AI एजेंट त्रुटियों का विश्लेषण करता है, कोड को फिर से लिखता है, और परीक्षणों की अगली श्रृंखला शुरू करता है।
ENPIRE कैसे काम करता है
रोबोटिक्स में, वास्तविक हार्डवेयर पर प्रशिक्षण एक महंगा और धीमा प्रक्रिया बनी हुई है। एक असफल प्रयास के बाद, दृश्य को इसकी प्रारंभिक स्थिति में वापस लाना होता है, परिणाम की जांच करनी होती है, एल्गोरिदम को बदलना होता है, और परीक्षण को फिर से करना होता है। आमतौर पर इस काम के एक भाग में इंजीनियरों की भागीदारी की आवश्यकता होती है।
ENPIRE भौतिक दुनिया में एक दृष्टिकोण को स्थानांतरित करता है जिसे Nvidia AutoResearch कहता है: AI एजेंट कोड लिखते हैं, इसका परीक्षण करते हैं, और बाद की पुनरावृत्तियों में इसे सुधारते हैं। हालाँकि, डिजिटल वातावरण के विपरीत, यहाँ प्रत्येक प्रयोग में वास्तविक रोबोट, कैमरे, वस्तुएँ, पकड़ने की त्रुटियाँ, घर्षण, और अन्य भौतिक सीमाएँ शामिल होती हैं।
यह ढांचा चार मॉड्यूल्स में बाँटा गया है:
- पर्यावरण स्वचालित दृश्य रीसेट, परिणाम सत्यापन, लॉगिंग, और सुरक्षा इंटरफेस के लिए जिम्मेदार है;
- नीति सुधार नियंत्रण नीति के सुधार को शुरू करता है;
- रोलआउट एक या एक से अधिक भौतिक रोबोट पर नीति का मूल्यांकन करता है;
- विकास एजेंटों को लॉग का विश्लेषण करने, साहित्य में विचारों की खोज करने, प्रशिक्षण अवसंरचना को बदलने, और कोड को ठीक करने की अनुमति देता है।
पर्यावरण की प्रारंभिक सेटअप के बाद, लूप बिना निरंतर मानव पर्यवेक्षण के चल सकता है। एजेंट वीडियो, पथों और पुरस्कार फ़ंक्शन से डेटा प्राप्त करता है, एक नई परिकल्पना प्रस्तावित करता है, कोड में बदलाव करता है, परिणाम को रोबोट पर परीक्षण करता है, और यदि वे मैट्रिक को सुधारते हैं तो परिवर्तनों को सहेजता है।
स्वचालित सत्यापन और रीसेट की आवश्यकता क्यों है
ENPIRE का एक प्रमुख तत्व दो संचालन का स्वचालन है: परिणाम का सत्यापन और दृश्य को इसके प्रारंभिक स्थिति में लौटाना। पहला इसलिए आवश्यक है ताकि प्रणाली स्वयं यह निर्धारित कर सके कि कार्य पूरा हुआ है या नहीं। उदाहरण के लिए, केबल टाई परिदृश्य में, मूल्यांकन फ़ंक्शन ने एक डिटेक्टर, एक विभाजन मॉडल, और दो कैमरों द्वारा सत्यापन को संयोजित किया। इस तरह एजेंट को प्रत्येक रन के बिना मैनुअल लेबलिंग के सफलता या त्रुटि संकेत मिला।
स्वचालित रीसेट कई प्रयासों को एक के बाद एक चलाने की अनुमति देता है। एक असफल क्रिया के बाद, रोबोट को वस्तु या दृश्य को अगले प्रयोग के लिए उपयुक्त स्थिति में लौटाना चाहिए। इसके बिना, वास्तविक हार्डवेयर पर प्रशिक्षण जल्दी ही निरंतर मानव भागीदारी की आवश्यकता में आ जाता है।
जैसा कि डिक्रिप्ट ने नोट किया, पहले चरण में एक मानव एजेंट को स्थायी उपकरण बनाने में मदद करता है - एक रीसेट प्रक्रिया और एक पुरस्कार फ़ंक्शन। इसके बाद, उन्हें फिर से उपयोग किया जाता है, और एजेंट नीति के आगे सुधार का कार्य संभालता है।
रोबोट पर क्या दिखाया गया था
वास्तविक प्रयोगों में टीम ने कई संचालन कार्यों पर ENPIRE का परीक्षण किया। Push-T यह जांचता है कि क्या रोबोट एक T-आकार की वस्तु को एक निर्दिष्ट क्षेत्र में धकेल सकता है। पिन डालने के लिए 4 मिमी व्यास के छिद्रों में पिन डालने की आवश्यकता होती है। GPU स्थापना और एक केबल टाई के साथ संचालन भी दिखाए गए हैं।
Nvidia परियोजना पृष्ठ पर कहा गया है कि वास्तविक संचालन कार्यों में प्रणाली ने 99% मामलों में कार्य को सफलतापूर्वक पूरा किया यदि एजेंट को पिछले त्रुटियों को ध्यान में रखते हुए आठ प्रयासों तक दिए गए। यह मेट्रिक प्रणाली की विफलताओं के बाद पुनर्प्राप्ति की क्षमता और संदर्भ को ध्यान में रखते हुए क्रियाओं को दोहराने की क्षमता को दर्शाता है, न कि एकल अलग प्रयास की सटीकता।
कोडिंग एजेंट के रूप में, टीम ने GPT-5.5 पर Codex, Opus 4.7 पर Claude Code, और Kimi K2.6 पर Kimi Code की तुलना की। मूल्यांकन AutoEnvBench बेंचमार्क में Push-T और पिन डालने के कार्यों पर हुआ।
शोधकर्ताओं ने RoboCasa में ENPIRE का भी परीक्षण किया - घरेलू कार्यों का एक सिम्युलेटर जैसे अलमारियाँ और दराज खोलना और रसोई में वस्तुओं को चालू या बंद करना। इन परिदृश्यों में ENPIRE ने Nvidia के GR00T और CaP-X को पीछे छोड़ दिया - एक एजेंट प्रणाली जो उपकरणों का उपयोग करती है लेकिन स्वचालित अनुसंधान का पूरा चक्र नहीं चलाती।
आठ रोबोटों ने प्रशिक्षण को तेज किया
काम का एक अलग खंड रोबोटों के बेड़े के लिए स्केलिंग को समर्पित है। Nvidia ने दो मैनिपुलेटर के साथ आठ रोबोटिक स्टेशनों पर एक प्रयोग किया। प्रत्येक के पास अपना हार्डवेयर, कंप्यूटर और AI कोडिंग एजेंट था।
स्टेशनों ने Git के माध्यम से परिणामों का आदान-प्रदान किया: एक सफल विचार या कोड परिवर्तन जल्दी से एजेंटों के बीच फैल सकता था। इस दृष्टिकोण ने प्रशिक्षण समय को कम करना संभव बना दिया। Decrypt के अनुसार, एक रोबोट से आठ रोबोट में संक्रमण ने Push-T को मास्टर करने का समय लगभग पांच घंटे से घटाकर दो घंटे कर दिया। Pin Insertion के लिए समय 90 मिनट से अधिक से घटकर लगभग 40 मिनट हो गया।
सीमाएँ
लेखकों ने जोर दिया कि स्केलिंग सभी समस्याओं का समाधान नहीं करती। जब एजेंट लॉग पढ़ते हैं, कोड लिखते हैं, उसे डिबग करते हैं, या बेस लैंग्वेज मॉडल से प्रतिक्रिया की प्रतीक्षा करते हैं, तो रोबोट और कंप्यूटिंग संसाधनों का पूरी तरह से उपयोग नहीं होता। जैसे-जैसे रोबोटों की संख्या बढ़ती है, GPU गतिविधि बढ़ती है, लेकिन रोबोटों की औसत उपयोगिता घटती है। एजेंटों की टीमें अन्य शाखाओं के परिणामों का सारांश बनाने और समन्वय करने में अधिक समय बिताती हैं, न कि केवल भौतिक रन पर।
एक और सीमा टोकन खपत में वृद्धि है। रोबोटों के बड़े बेड़े से नीति को कार्यशील स्थिति में तेजी से लाया जाता है लेकिन लॉग पढ़ने, विचार साझा करने और एजेंटों के बीच समन्वय के कारण अधिक टोकन की आवश्यकता होती है।
इसके अलावा, ENPIRE अब तक सीमित सेट के संचालन कार्यों पर प्रदर्शित किया गया है। इसके परिणामों का मतलब यह नहीं है कि रोबोट पहले से ही स्वतंत्र रूप से खुले वातावरण में मनमाने भौतिक कौशल को बिना इंजीनियरिंग तैयारी के मास्टर कर सकते हैं।
याद रखें कि जून में Nvidia ने आइज़ैक GR00T संदर्भ मानवाकार रोबोट पेश किया - मानवाकार रोबोटों के कौशल विकसित करने और परीक्षण करने के लिए एक अनुसंधान संदर्भ डिज़ाइन। कॉन्फ़िगरेशन में एक Unitree H2 Plus शरीर और Sharpa Wave द्वारा बनाए गए स्पर्श संवेदनशील पांच-उंगलियों वाले हाथ शामिल थे।
पहले Unitree ने "दुनिया का पहला बड़े पैमाने पर उत्पादन के लिए तैयार" पायलट रोबोट पेश किया। यह एंड्रॉइड दो और चार अंगों पर चलने में सक्षम है।
स्रोत: फोर्कलॉग
