以下は、提示された論文「OpenGo: An OpenClaw-Based Robotic Dog with Real-Time Skill Switching」に基づく詳細な技術的サマリーです。

1. 背景と課題 (Problem)

四足歩行ロボットは、雪、植物、水、霧、反射面、部分的な遮蔽など、知覚が不安定な過酷な環境下でのタスク実行において依然として大きな課題に直面しています。

• 汎用スキルの限界: 単一の強化学習ベースのコントローラーや一般的な戦略では、極端な環境変化に対して適応性が低下し、失敗しやすい。
• LLM のハルシネーション: 大規模言語モデル（LLM）をロボットの意思決定に直接組み込む際、言語的に妥当だが物理的に実行不可能な計画（ハルシネーション）や、ロボットの制約を無視した危険なパラメータ設定が生成されるリスクがある。
• シミュレーションから実機への移行: 既存の LLM 駆動エージェント（Voyager や Eureka など）はシミュレーション環境では成功しているが、物理的なロボットへの実装において、安全性と実行可能性の確保が困難である。

2. 提案手法 (Methodology)

著者らは、OpenGo という、OpenClaw フレームワークを基盤とした実体ロボット（Unitree Go2）向けのパイプラインを提案しました。このシステムは、LLM の意味的な柔軟性を維持しつつ、その決定空間を「検証済みのロボットスキル」に制限することで、安全性と制御性を両立させています。

システムは以下の 3 つの主要コンポーネントで構成されています。

A. カスタマイズ可能なスキルライブラリ (Customizable Skill Library)

• 構造: 各スキルは「スキルヘッダー」「パラメータ」「制約」「関数（実装）」「プロンプト」という構造化されたテンプレートで定義されます。
• 設計思想:
  • 関数の不変性: スキルの実装（関数）は検証後に固定され、LLM が直接低レベルの制御動作を変更することを防ぎます。
  • パラメータの調整: タスク適応のために、速度、距離、角度などのパラメータのみを調整可能にします。
• 導入プロセス: 新しいスキルは、コードレビューとシミュレーションベースの検証（実行可能性と堅牢性の確認）を経た後にのみライブラリに登録されます。これにより、安全性と一貫性が保証されます。

B. ディスパッチャー (The Dispatcher)

• 役割: 人間の意図（自然言語指示やタスク記述）と現在の状況（知覚情報）を基に、実行可能なスキルシーケンスを生成します。
• LLM の制限された役割: LLM は低レベルのモーターコマンドを直接生成するのではなく、以下の 2 つの機能に限定されます。
  1. スキル選択: 現在の状況とタスクに最適なスキル（または一連のスキル）を選択する。
  2. パラメータ割り当て: タスク要件と環境に応じた、許容範囲内のハイパーパラメータを設定する。
• 安全性の担保: 出力前にスキル候補をフィルタリングし、パラメータの範囲をチェックします。また、メモリ/状態チェックモジュールを通じて、ロボットの現在の状態が次のステップを実行するのに適しているかを確認します。

C. 自己学習フレームワーク (Self-Learning Framework)

• フィードバックループ: タスク完了信号、エラーログ、人間からのフィードバック（Feishu プラットフォーム経由など）を収集し、ディスパッチャーとメモリに返します。
• 学習内容:
  • ディスパッチレベル: 特定の状況下で成功したスキルの優先度を上げ、失敗したスキルの使用を減らす。
  • パラメータレベル: 反復的な成功・失敗パターンに基づき、デフォルトのパラメータ値を微調整する。
• 人間との協調: 非専門家ユーザーが自然言語で指示や修正を行えるため、遠隔操作や手動のポリシー設計なしに、人間の好みをシステムに組み込むことができます。

3. 主要な貢献 (Key Contributions)

1. 構造化された LLM 制御アーキテクチャ: LLM を「低レベル動作の生成者」ではなく、「検証済みスキルライブラリからの選択者とパラメータ調整者」として位置づけ、ハルシネーションによる危険を大幅に低減しました。
2. OpenClaw ベースの実機実装: Unitree Go2 四足ロボット上で、スキルライブラリの自動検証、リアルタイムなスキル切り替え、自然言語による対話を可能にするパイプラインを構築・実証しました。
3. 人間中心のインタラクション: Feishu プラットフォームとの統合により、ロボット工学の専門知識を持たないユーザーでも、自然言語でロボットを制御・フィードバックできる環境を提供しました。
4. 自己学習による適応: 実行結果と人間のフィードバックに基づき、スキル選択やパラメータ設定を継続的に改善するメカニズムを実装しました。

4. 実験結果 (Results)

• 実機デプロイ: Unitree Go2 上で、前進、旋回、バックフリップ、ダンスなどの多様なスキルを自然言語指示に基づいて実行・切り替えることに成功しました。
• レイテンシ分析:
  • 単一スキル: 初回実行時のレイテンシは、LLM の解析やスキルの読み込みによるオーバーヘッドで高くなりますが、キャッシュされたスキルの再利用により、2 回目以降は応答時間が短縮されます。
  • マルチスキル構成: 複数のスキルを組み合わせる場合、個々の実行時間の単純な合計ではなく、スキル間の調整や状態遷移による追加オーバーヘッドが発生します。パラメータの複雑さが増すとレイテンシも増加する傾向が確認されました。
• 対話性: 自然言語による指示とフィードバックループを通じて、未経験者でも直感的にロボットを操作できることが実証されました。

5. 意義と将来展望 (Significance & Future Work)

• 実用性の向上: 従来のエンドツーエンドの LLM 制御や、固定されたスキルセットのみのアプローチの中間に位置する「構造化されたスキルベースのアプローチ」は、実環境での安全性、解釈可能性、展開性を飛躍的に向上させます。
• 拡張性: モジュール設計により、新しいスキル（障害物回避やナビゲーションなど）を既存のパイプラインを通じて安全に追加・拡張することが可能です。
• 課題: 現在のシステムでは、LLM の応答遅延とスキル間の遷移による運動の断絶（フラグメンテーション）が課題として残っています。今後は、スキル構成の高度化、リアルタイム制御の最適化、適応的学習の強化を通じて、より動的で複雑な環境での堅牢性を高めることが期待されます。

結論:
OpenGo は、大規模言語モデルの推論能力と、構造化されたロボット制御スキルを効果的に統合する実用的な道筋を示しました。これにより、より信頼性が高く、アクセスしやすい具現化された AI（Embodied AI）の実現に向けた重要な一歩を踏み出しています。