MoDeSuite: Robot Learning Task Suite for Benchmarking Mobile Manipulation with Deformable Objects

ロボットが単に重くて動かない箱を押し続けるだけの、不器用な箱のような存在ではない世界を想像してみてください。紐を結んだり、洗濯物を畳んだり、吊るされたカーテンでいっぱいの部屋を通り抜けたりできる、器用な助っ人としてのロボットを想像してみてください。これは、**モバイル・マニピュレーション（移動操作）**という、二つの困難なスキルを組み合わせたロボット工学の最前線です。それは、移動すること（犬や車のようにな）と、腕を使って物を掴むこと（人間のように）を組み合わせる技術です。ロボットは、箱やドアのような硬い物体を動かすことはかなり得意になってきましたが、**変形物体（deformable objects）**に対しては依然としてひどく苦戦しています。これらは、ゴムバンド、濡れたタオル、あるいはロープのように、伸びたり、縮んだり、曲がったり、あるいは形が崩れたりするものです。これらの物体は触れるたびに形が変わるため、次に何が起こるかを予測しようとするコンピュータ・プログラムにとっては悪夢となります。もしロボットが、ぐにゃぐにゃした毛布を扱うことができないのであれば、私たちの乱雑な現実世界の家庭で真に助けとなることはできません。

ここで、MoDeSuiteと呼ばれる新しいプロジェクトが登場します。これは、ロボットが「ぐにゃぐにゃしたもの」を扱う方法を訓練するために特別に設計された、ハイテクな「ビデオゲーム」だと考えてください。研究者たちは、伸縮性のあるベルトをハードル越しに引きずることから、食器を倒さずにテーブルからテーブルクロスを引き抜くことまで、8つの異なるチャレンジを含むデジタルな遊び場を作り上げました。彼らはこの遊び場で、2種類のロボットを使ってテストを行いました。一つは車輪を持つロボット（腕付きのスマート掃除機のよう）、もう一つは脚を持つロボット（犬のような4足歩行ロボット）です。目的は、ロボットがこれらの「柔らかいパズル」を解くために、自分の体と腕をどのように連携させて動かせるかを検証することでした。結果として、コンピュータ内のゲームの中ではロボットはこれを行うことができますが、それを現実世界に移し替えることは、特に視覚的な変化を捉え、反応するという点において、依然として非常に難しい作業であることが示されました。

論文のストーリー：ロボットに「ぐにゃぐちなもの」とのダンスを教える

この論文は、物体が曲がったり伸びたりしながら動く状況において、ロボットがどのように移動できるかをベンチマークするための、最初の標準化された「タスク・スイート（一連の課題集）」であるMoDeSuiteを紹介しています。これまでは、研究者が実験ごとに独自のカスタム・シミュレーションを構築しなければならず、異なるロボットや学習手法を比較することが困難でした。MoDeSuiteは、誰もが自らのロボット学習アルゴリズムをテストできる、高品質で共有可能なデジタル環境を提供することで、この問題を解決します。

このスイートには、2つの主要な「ぐにゃぐにゃした」素材をカバーする8つの明確なタスクが含まれています。

1. 弾性物体（Elastic objects）: ゴムバンドやフォーム・ヌードルのように、伸びたり跳ね返ったりするもの。
2. 塑性物体（Plastic objects）: カーテン、テーブルクロス、ロープのように、垂れ下がったり折りたたまれたりするが、跳ね返りはしないもの。

タスクは難しく設計されています。例えば、**「Bend（曲げる）」タスクでは、ロボットは長く伸びる棒をL字型の廊下の中へと運ばなければなりません。ロボットが速すぎたり、棒の持ち方が不適切だったりすると、棒が壁に当たってしまう可能性があります。「Drag（引きずる）」タスクでは、ロボットは伸縮性のあるベルトを障害物の上に持ち上げ、自分のバランスを保ちながら反対側へ置かなければなりません。「Curtain（カーテン）」**タスクでは、ロボットは吊るされたカーテンを脇に退け、ぶつかることなく開口部を通って歩かなければなりません。これらのタスクは、ロボットに対して、物体の柔軟性と戦うのではなく、その柔軟性を利点として利用しながら、自身のベース（車輪または脚）と腕を協調させることを要求します。

このシステムが機能するかどうかをテストするため、著者らはシミュレーション内で4つの異なる「学習脳（アルゴリズム）」を訓練しました。そのうちの2つは、スコアを上げるために試行錯誤を通じて学ぶ**強化学習（Reinforcement Learning: RL）アルゴリズムです。残りの2つは、人間（またはキーボードコントローラー）が行う動作を見て、その動きを模倣しようとする模倣学習（Imitation Learning: IL）**アルゴリズムです。

シミュレーションにおける発見：
ロボットはデジタル世界において驚くほど成功しました。PPOアルゴリズム（一種のRL）は、ほとんどのタスクにおいてSACアルゴリズムよりも優れた性能を示しました。しかし、ロボットの種類によって大きな差がありました。車輪型のロボット（RidgebackベースのFranka）はタスクをより容易にこなしましたが、脚型のロボット（Boston DynamicsのSpot）は苦戦し、しばしばバランスを崩したり、狭い場所で壁に衝突したりしました。これは、ロボットがぐにゃぐにゃした物体を操作しながらバランスを取ることが、特に脚を持つ機械にとって極めて大きな挑戦であることを示唆しています。

実世界へのテスト（Sim-to-Real）：
この論文の最もエキサイティングな部分は、訓練されたロボットをコンピュータから取り出し、現実の床へと連れ出した時に起こったことです。彼らは追加の微調整なしに、学習済みポリシーを実物のSpotロボットに展開しました。

• 「状態（State）」データを用いた場合: ロボットが物体の各点が3D空間内のどこにあるかという直接的なセンサーデータを使用した場合、その転移は素晴らしいものでした。「Place（置く）」と「Drag（引きずる）」のタスクにおいて、実機のロボットは**90%から100%**の成功率を達成し、シミュレーションでの性能に非常に近い結果を出しました。実世界でも、ゴム製のベルトをハードル越しに引きずることに成功しました。
• 「画像（Image）」データを用いた場合: ロボットがカメラの画像（人間が世界を見ているような形式）のみを使用して学習しようとした場合、苦戦しました。「Curtain（カーテン）」のタスクでは、シミュレーションでは良好な成績を収めていたにもかかわらず、実世界では完全に失敗しました。研究者たちは、ロボットの「目」にとって、シミュレーションと現実の世界は全く別物に見えていることを発見しました。視覚的なギャップがあまりにも大きく、追加の訓練なしではロボットが橋渡しできるレベルではありませんでした。

これが意味すること：
この論文は、変形物体を用いたモバイル・マニピュレーションの問題を解決したと主張しているわけではありません。代わりに、現在のロボットがどこで成功し、どこで失敗するかを正確に示す、極めて重要な新しいツールを提供しています。それは、ロボットがシミュレーション内でぐにゃぐにゃした物体を操作することを学習でき、その知識は物体の形状に関する正確な情報があれば現実世界にも転移できることを証明しています。しかし、もしロボットがカメラによる視覚情報のみに頼るならば、シミュレーションと現実の間の「不気味な谷」は、依然として越えがたいほど深いままです。

著者らは、今後の研究は、ロボットが視覚データをより良く理解できるようにすることや、重い、あるいはぐにゃぐにゃした荷重を扱う際の脚型ロボットの安定性を高めることに焦点を当てる必要があると示唆しています。この「MoDeSuite」を一般に公開することで、彼らは研究を加速させ、洗濯物を畳んだりヘッドフォンを解いたりできるロボットという夢を、現実のものにしたいと考えています。