技術要約：ロボティクスにおける基盤モデル：包括的レビュー

問題提起

ロボティクスの分野は、固定された単一タスクのドメイン特化型ソリューションから、複雑でオープンワールドな動的環境において動作可能な、適応力のある多機能な汎用エージェントへとパラダイムシフトを迎えている。従来のモデルベース制御は、構造化された環境では効率性に優れるが、適応性に欠ける。対照的に、標準的な機械学習（ML）アプローチは高い適応性を提供するものの、膨大なデータセットを必要とし、オープンワールドの推論に必要な意味理解を欠くことが多い。大規模なインターネット規模のヘテロジニアスなデータセットで訓練された大規模ニューラルネットワークである基盤モデル（Foundation Models: FMs）の登場は、マルチモーダルな理解、長期的なプランニング、およびクロスエンボディメント（身体性を超えた）汎化における前例のない能力を提供することで、このギャップを埋めることを約束している。しかし、ロボティクスにおけるFMアプリケーションの急速な普及により、研究の断片化が進んでいる。既存のサーベイは、特定のタスク、モデル、またはアプリケーションドメインに狭く焦点を当てることが多く、手法、データセット、および課題の全スペクトルをカバーする体系的な多基準タクソノミー（分類体系）を欠いている。

メソドロジー

本研究は、ロボティクスにおけるFMの研究領域をマッピングするために、構造化された系統的な文献レビューの手法を採用している。プロセスは以下の通りである：

1. 文献検索： ターゲットとなるキーワード（例：「foundation model」、「robotics」、「vision-language-action」）をブール演算子と組み合わせて、6つの主要な科学データベース（IEEE Xplore、Google Scholar、Scopus、DBLP、arXiv、Web of Science）に対してクエリを実行した。検索では、過去5年間の著作物を優先しつつ、先駆的な初期研究も含めた。
2. スクリーニングと選択： 重複、英語以外の論文、およびフルテキストへのアクセスがない論文を除外する多段階のスクリーニングプロセスを実施した。最終的な選択では、FMが主要なアルゴリズム構成要素として機能し、実質的な理論的または実験的貢献を持つ438件の論文を保持した。
3. タクソノミー分析： 選択された文献を、高度に粒度の高い多基準タクソノミーを通じて分析した。レビューでは、以下の6つの異なる基準に基づいて手法を検討した：
   • 基盤モデルのタイプ（LLM、VFM、VLM、VLA）。
   • 基盤となるニューラルネットワークアーキテクチャ（Transformer、SSM、Diffusion、CNN、グラフィカルモデル）。
   • 学習パラダイム（教師あり学習、自己教師あり学習、ファインチューニング、ドメイン適応、模倣学習、強化学習、インコンテキスト/プロンプト学習、ワールドモデル、生成学習）。
   • 学習ステージ（事前学習、オフライン・ファインチューニング、オンライン適応、継続学習）。
   • ロボットタスク（知覚、プランニング、ナビゲーション、マニピュレーション、ヒューマン・ロボット・インタラクション）。
   • アプリケーションドメイン（エージェンティック・モビリティ、産業用マニピュレーション、サプライ操作、サービスロボット、医療ロボット、認知型農業システム、危機管理エージェント、海洋ロボティクス、宇宙ロボティクス）。
4. データセットの合成： 公開されているデータセットを、繰り返されるファミリーごとに整理・合成し、それらの典型的な用途と現在のギャップを詳細に記述した。
5. 課題と方向性の分析： 現在のオープンな課題と有望な将来の研究方向に関する階層的な議論を策定した。

注：著者らは、本サーベイには調査された手法の経験的/定量的なベンチマーキングは含まれていないことを明示しており、急速に進化する分野のスナップショットであることを認めている。

主な貢献

本論文は、ロボティクスにおけるFMの展望について包括的かつ体系的な調査を提供し、以下の具体的な貢献を行う：

1. 進化のフレームワーク： 本研究は、ロボティクスにおけるFM研究の進化を5つの明確なフェーズに区分している：

   • フェーズ1 (2018-2021): 知覚サポートのためのネイティブなNLPおよびCVモデルの統合。
   • フェーズ2 (2021-2022): ビジョン・ランゲージ（VL）表現を用いたグラウンデッドなプランニング。
   • フェーズ3 (2022-2023): 大規模なロボットデータで訓練されたエンボディド・ビジョン・ランゲージ・アクション（VLA）ポリシーの出現。
   • フェーズ4 (2023-2024): メモリ、自律的なタスク構成、およびWeb-to-robot転送が可能なシステム。
   • フェーズ5 (2024-現在): マルチセンサ・ジェネラライゼーション（多感覚による汎化）と実世界へのデプロイメント。

2. 多基準タクソノミー： 6つの基準にわたる手法の包括的な分類を提供している。主な知見は以下の通りである：

   • モデルタイプ： LLMは高レベルの推論に優れるが物理的グラウンディングに欠け、VFMは堅牢な知覚を提供するがドメイン特化型であり、VLMは言語と視覚を橋渡しするが外部ポリシーを必要とし、VLAはエンドツーエンドのポリシーを提供するが、高いデータコストとレイテンシに直面する。
   • アーキテクチャ： Transformerはマルチモーダルなアライメントにおいて支配的であり、状態空間モデル（SSM）はリアルタイム制御のための線形計算量を提供し、Diffusionモデルは精密なアクション生成を可能にし、グラフィカルモデルは構造化された推論をサポートする。
   • 学習パラダイム： 教師あり学習、自己教師あり学習、模倣学習、強化学習、および生成学習の合成を提示し、サンプル効率、汎化性能、および安全性におけるトレードオフを明らかにしている。

3. データセットのランドスケープ： 公開データセットを合成し、繰り返されるファミリー（例：Open X-Embodiment、AgiBot World）ごとに整理し、それらの典型的な用途と現在のギャップを詳述している。既存のデータセットにおける触覚/力センサーデータの不足や、失敗/リカバリの記録の欠如を批判的に指摘している。

4. アプリケーションドメイン： 産業用マニピュレーション（未知の物体へのゼロショット汎化）、サービスロボット（自然言語指示への追従）、医療ロボット（外科的深度推定）、宇宙ロボティクス（自律的な地形分析）を含む、多様なセクターへのFMのデプロイメントを詳述している。

5. 課題と将来の方向性： 推論レイテンシ、意味的/物理的グラウンディングの欠如、データ不足、エンボディメント・バイアス、安全性のリスク、および倫理的整合性の要請を含む、重要な課題を特定している。将来の方向性として、マルチセンサ統合、sim-to-real転送、および堅牢な実世界デプロイメントを提案している。

結果と洞察

本レビューは、FMがロボットの設計とプログラミングを根本的に変革した一方で、それらがモノリシック（単一的）な解決策ではないことを明らかにしている。

• トレードオフ： セマンティックな広がり（LLMやVLMによって提供される）と、リアルタイムかつエンボディドな実行（VFMやVLAによって提供される）の間には、根本的なトレードオフが存在する。これらの属性のバランスを取るために、ハイブリッドシステムがますます必要とされている。
• 汎化 vs 精密性： FMは未知の物体や環境へのゼロショット汎化を可能にし、多くの場合、タスク固有のプログラミングの必要性を軽減する。しかし、これは専門領域におけるアクションの精度の低下や、プランニングにおけるハルシネーション（幻覚）や論理的欠陥への感受性の増加という代償を伴う。
• データ依存性： 「基盤」モデルという約束にもかかわらず、この分野は依然として大規模で高品質なマルチモーダルデータセットの可用性に強く依存している。現実世界の失敗データや触覚フィードバックの不足は、堅牢なデプロイメントにおける重大なボトルネックであり続けている。
• 進化の傾向： 分野は、モジュール型のパイプライン（分離された知覚と制御）から、単一のアーキテクチャ内に知覚、推論、およびアクションを統合するエンドツーエンドのジェネラリスト・ポリシーへと移行している。

重要性

本論文は、ロボティクスにおけるFMの全容に対して、包括的、系統的、かつ高度に粒度の高い多基準の調査を提供する最初のサーベイであると主張している。特定のサブセット（例：VLAのみ、あるいはマニピュレーションのみ）に焦点を当てた先行研究とは異なり、本研究は以下の点において優れている：

• 2026年までの最近の開発を含む、分野の完全な進化の軌跡を記録している。
• モデルタイプ、アーキテクチャ、学習パラダイム、およびアプリケーションドメインを同時に比較することを可能にする構造化されたタクソノミーを提供している。
• 公開データセットの現状を合成し、進展を阻害している決定的なギャップを浮き彫りにしている。
• 課題と将来の方向性に関する包括的な議論を提供し、研究者がFMを研究プロトタイプから信頼できる実世界のロボットエージェントへと移行させるためのロードマップとして機能する。

著者らは、本サーベイが新たな経験的ベンチマークを提供するものではないものの、基盤モデル時代のロボティクスにおける現在の状態、限界、および可能性に関する不可欠な基礎的理解を確立し、より情報に基づいた研究開発を促進するものであると強調している。