技術要約: Fauna Sprout

問題提起

学習制御、大規模シミュレーション、および生成AIの急速な進歩にもかかわらず、ヒューマノイド・ロボティクスの分野には、非構造的な人間環境における安全、表現力、および長期的な展開に適したアクセシブルなプラットフォームが不足している。既存のシステムは主に2つのカテゴリーに分かれている。一つは、製造性や人間への近接における安全性に欠けることが多いオープンな学術的プロトタイプであり、もう一つは、独立した開発者には手の届かない独自の産業用システムである。この汎用性が高く、安全で親しみやすいプラットフォームの欠如は、身体化された知能（embodied intelligence）の開発を阻害し、参加を専門の研究者に限定させ、アプリケーションを衛生的な環境での短期間の行動に制限している。共有された人間の空間における持続的な相互作用を可能にするために、物理的および技術的な障壁を下げるプラットフォームが切実に求められている。

手法

著者らは、安全性、表現力、およびモジュール性を重視した包括的なハードウェア・ソフトウェアのアプローチを通じて、これらの限界に対処するために設計された、軽量で開発者向けのヒューマノイドロボットであるSproutを紹介する。

ハードウェア設計

• フォームファクタと安全性: 身長1.07 m、重量22.7 kgのSproutは、コンパクトなスケールを採用することで、運動エネルギーと潜在的な衝撃力を低減している。安全性は以下の3つのレイヤーで設計されている：
  1. 機械的/電気的: ソフトな外装パネル、最小限の挟み込みポイント、バックドライバブルなモーター、および保守的な関節トルクリミット。
  2. 組み込みソフトウェア: リアルタイムの監視と制約の強制を行うための、独立したプロセッサ上で動作する専用の安全サブシステム。
  3. ポリシーレベル: 相互作用の力を制限し、安全なナビゲーションを確保するための、コンプライアント（柔軟）な制御ポリシーとビジョンベースのシステム。
• 駆動および操作: ロボットには手動操作用のリアハンドル、交換可能なバッテリー、および統合された耐久性のある1自由度グリッパーが備わっている。グリップ力は、実用性と安全性のバランスをとるため、ソフトウェアによって12 Nに制限されている。
• 計算およびセンシング: コア計算ユニットはNVIDIA Jetson AGX Orinである。センシングには、ZED2iステレオカメラ、IMU、音の定位のための4マイクアレイ、および非言語コミュニケーションのためのモーター駆動式の眉毛を備えたLEDアレイが含まれる。
• 製造性: 設計は、部品数の削減、標準化されたファスナー、および機械・電子アセンブリの共同開発を優先しており、スケーラブルな生産をサポートする。

ソフトウェアアーキテクチャ

Sproutは、サービスが隔離されたDockerコンテナ内で実行されるモジュール式アーキテクチャを用いた、コンポーネントベースのAIプラットフォームとして構築されている。

• 通信: プロセス間通信はROS 2に依存し、高帯域幅のデータ（画像、ポイントクラウド）は共有メモリまたはゼロコピー転送を利用する。モーター制御には、決定論的なメッセージングのためにEthernet経由のCBORを使用する。
• モーター制御: モノリシックなコントローラーの代わりに、システムは離散的な制御モード（例：歩行、膝立ち、這う）をオーケストレートする有限状態機械を使用する。
  • 学習済みポリシー: 各モードは、NVIDIA IsaacSim (IsaacLab) で学習された強化学習ポリシーによって裏付けられている。これらのポリシーは、高レベルのタスク変数（速度、方位、高さ）を中間的な制御ターゲットにマッピングし、それらは下位レベルのPD制御と安全エンベロープによって制約される。
  • 遷移: モード間の遷移は、滑らかで安全な状態変化を確実にするために、模倣学習を通じて学習されたトラッキングコントローラーによって処理される。
  • コンプライアンス: すべてのモードは、外部の力に対して積極的に抵抗するのではなく、力に対して従う挙動を促進する制約の下で学習されている。
• テレオペレーション: Meta Questデバイス用のVRベースのシステム（「Empy」）により、フルボディのテレオペレーションが可能になる。これは、ユーザーのポーズをロボットにマッピングするアイソモーフィック・リターゲティングを使用し、しゃがみ動作や上半身の操作をサポートする。このシステムは、ポリシー学習時の共変量シフトを修正するためのDAggerスタイルの介入を伴うデータ収集をサポートしている。
• 自律スタック:
  • オドメトリ: 視覚・慣性・運動学を融合した推定器（EKF）が、ステレオカメラ、IMU、および学習された固有受容速度推定器からのデータを組み合わせる。
  • マッピング: 局所的な「マップレット」に整理された、切断符号付き距離関数（TSDF）を用いたボリュームマッピングを使用し、ドリフトを処理し、ポーズグラフ最適化（GTSOM）を介してグローバルな一貫性を維持する。
  • ナビゲーション: グローバルおよびローカルのパスプランニングにHybrid A*を使用し、実行には純粋追従（pure-pursuit）トラッカーを使用する軽量なスタック。
• 人間とロボットの相互作用 (HRI): 計算ノードの階層的なグラフが、表現力のある出力（ライト、音、動き）を管理する。このスロットベースのアーキテクチャにより、複数の挙動をブレンドしたり、優先順位を付けたり（例：安全アラートがアイドルアニメーションを中断する）することができ、勝者総取りの衝突を避けることができる。
• 推論インターフェース: プラットフォームはモデル・コンテキスト・プロトコル（MCP）サーバーを公開しており、LLMベースのエージェントが、単なる会話エージェントとしてではなく、ツール呼び出しを介してモーターモード、ナビゲーション、およびHRI挙動を制御することを可能にする。

主な貢献

1. Sproutプラットフォーム: 人間の環境における近接動作のために特別に設計された、ソフトな外装、コンプライアント制御、および制限された運動エネルギーを備えた、物理的に安全で軽量なヒューマノイドロボット（22.7 kg）。
2. モジュール式ソフトウェアスタック: 低レベル制御、知覚、および高レベルの推論を、安定したAPIを持つコンテナ化されたサービスへと分離した、開発者中心のアーキテクチャ。これにより、システムを不安定にすることなく、カスタムの知覚スタックなどのコンポーネントを入れ替えることができる。
3. コンプライアントな全身制御: 歩行や操作のために学習済みポリシーを活用した状態機械ベースの制御フレームワーク。これは、接触の変動や外部の摂動を安全に扱うように明示的に設計されている。
4. 統合されたテレオペレーションとデータ収集: フルボディ制御をサポートし、高品質なトレーニングデータを収集して自律ポリシーを改善するためのDAggerスタイルの介入を可能にする、VRベースのテレオペレーションシステム。
5. 表現力豊かなHRIシステム: ライト、眉毛、およびオーディオを協調させて、意図や状態（例：「考えている」、警告）を伝え、社会的つながりや非言語コミュニケーションをサポートする、スクリーンを使用しないインタラクションシステム。
6. エージェンティック・インターフェース: LLMエージェントが、高レベルの推論と低レベルのモーター実行の架け橋となるよう、モーターモード、ナビゲーション、およびHRI挙ッチをオーケストレートすることを可能にするMCPベースのインターフェース。

結果

本論文は、Sproutプラットフォームの展開と運用を提示し、以下を実証している：

• 安全な相互作用: ロボットはハイタッチ、物体を操作するための膝立ち、子供の手による圧迫などのタスクを実行し、危害を与えないことを実証しており、これは安全性設計の選択を検証している。
• 移動と操作: ロボットは、歩行、這う、膝立ち、ダンスを含む全身の挙動、および統合されたグリッパーによる日常的な物体の把握を実行する。
• テレオペレーション: VRシステムにより、オペレーターは、低い物体に手を伸ばすためのしゃがみ動作などの複雑な操作を含め、ロボットの全身を直感的に制御できる。
• 自律性: システムは屋内マッピングおよびナビゲーション能力を示し、RTAB-Mapよりも優れたベンチマーク結果を出しつつ、約30%の計算リソースしか使用していない。
• 表現力: ロボットは、LEDアレイとモーター駆動の眉毛を使用して、状態（例：「考えている」、警告）を伝え、社会的相互作用に従事することに成功している。

重要性

本論文は、変革的なコンピューティング技術（PCやスマートフォンなど）の成熟は、幅広い参加を可能にするアクセシブルで汎用的なプラットフォームに依存していたと主張している。ロボティクスはまだこの転換点に達していない。人間との近接動作において安全に動作し、日常的な使用において堅牢で、再現可能な展開のために構造化されたプラットフォームを提供することで、Sproutは参入障壁を下げることを目指している。著者らは、このアクセシビリティこそが、人間とロボットの相互作用（HRI）における厳密な研究、現実世界からの経験からの学習、および長期間の自律性の開発を実現するための前提条件であると論じている。このプラットフォームは、孤立した高性能なデモンストレーションから、日常的な人間との相互作用のために設計された環境における、持続的で信頼できる運用へと焦点を移すものである。