技術概要：SR-Platform

問題定義

ロボット学習の拡張には、多様で物理的に妥当なシミュレーション環境の大規模な収集が必要となる。しかし、これらの環境の構築は依然として重大なボトルネックとなっている。トレーニング準備が整った MuJoCo シーンを作成するには、通常、3D アセットモデリング、MJCF 仕様、空間配置、衝突回避、およびロボットモデルの統合に関する専門知識が求められる。大規模言語モデル（LLM）は意味推論やコード合成において有望な成果を示しているが、従来のアプローチは固定されたオブジェクトライブラリに依存するか、記号的記述で止まるか、実行前に手動介入を必要とする場合が多い。その結果、制約のない自然言語プロンプトを物理的に妥当でシミュレーター準備完了のロボットシーンに変換するエンドツーエンドの問題は、依然として十分に解決されていない。

手法：SR-Platform

SR-Platform は、自由形式の自然言語記述から実行可能な MuJoCo 環境を合成するように設計された、本番環境で展開されたエージェントシステムである。単一のモノリシックな LLM に依存するのではなく、このシステムは PipelineCoordinator によって調整される、4 層構造の型付けされ監査可能なパイプラインを採用している。このアーキテクチャは、WebSocket ストリーミング、メッシュストレージ用の MinIO、意味検索用の Qdrant、状態管理用の Redis、およびテレメトリ用の InfluxDB を活用する 9 サービス Docker スタックとして展開されている。

パイプラインは、以下の 4 つの明確な段階で構成される：

1. L1: オーケストレーター
   この段階では、ユーザーの自然言語プロンプト（例：「コンベアとロボットアームを備えた組立ライン」）を構造化された JSON シーンプランに変換する。部屋の詳細、オブジェクトリスト、意味ラベル、選択されたロボットの識別子、および異常パラメータを定義する。LangGraph ワークフローとして実装されており、LLM の複雑さを低減し、失敗を局所化するために、意味計画と幾何学生成を分離している。

2. L2: アセットフォージ
   アセットフォージは、オブジェクトラベルをシミュレーター互換の 3D メッシュ（STL）に解決する。キャッシュファースト戦略を採用している：

   • 意味検索: オブジェクトラベルを埋め込み、Qdrant ベクトルデータベースに対してクエリを実行する。高類似度のキャッシュ済みアセットが存在する場合、STL を MinIO から読み込む。
   • LLM-to-CadQuery 合成: キャッシュヒットが発生しない場合、LLM が新しい幾何学を合成するための CadQuery コードを生成する。このコードを実行して STL メッシュを生成し、その後、将来の再利用のために保存およびインデックス登録する。
   • 堅牢性: システムには検証と自動リトライメカニズムが含まれている。生成されたコードが不正であるか幾何学が無効である場合、システムは再生成を試みるか、ジョブの失敗を防ぐために簡略化された幾何学にフォールバックする。

3. L3: レイアウトアーキテクト
   この段階では、解決されたすべてのオブジェクトに空間ポーズ（位置と回転）を割り当てる。意味的に妥当（例：床に置かれたテーブル）かつ物理的に一貫性がある（重なりなし）配置を提案するために、LLM ベースのレイアウトモデルを使用する。重要なのは、電気的クリアランス、防火避難経路、機械の安全距離、換気クリアランスなどの制約を検証する IndustryRulesChecker を統合している点である。違反は構造化されたエントリとして返され、リサンプリングや異常ラベリングを可能にする。

4. L4: ブリッジおよび MJCF アセンブリ
   最終段階では、配置されたシーンプランを実行可能な MuJoCo XML（MJCF）ファイルに変換する。床、壁、およびオブジェクト本体を構築し、計算されたポーズとともに取得または生成された STL メッシュを挿入する。RobotMerger が選択されたロボットモデル（UR5、Franka Panda などを含むカタログから）をシーンに統合し、座標フレームの一貫性を確保する。この段階は決定論的であり、LLM を呼び出さない。

主要な貢献

本論文は、以下の 4 つの主要な貢献を概説している：

1. エンドツーエンドのエージェントパイプライン: 自然言語のワークスペース記述を、ロボットモデル、メッシュアセット、オブジェクトポーズ、およびスポーン座標を含む実行可能な MuJoCo シーンに変換するシステム。
2. キャッシュ対応アセットフォージ: 意味検索と LLM-to-CadQuery 生成を組み合わせるメカニズムにより、以前に生成されたオブジェクトタイプに対する LLM 呼び出しの冗長性を削減する。
3. 産業用レイアウト検証: MJCF アセンブリに先立ち、シーン合成プロセスに制約チェック（クリアランス、安全性、避難経路）を統合すること。
4. 本番環境テレメトリ: 611 件の成功した LLM 呼び出しを含む 30 日間の本番データに関する報告。段階ごとのレイテンシ、リトライ動作、およびスループット制限を詳細に記述。

実験結果

システムは、30 日間の展開期間からの本番テレメトリを使用して評価された。

• レイテンシ: 5 つのオブジェクトからなるシーンで、すべてのオブジェクトがキャッシュをミスする場合、エンドツーエンドの中央値レイテンシは約50 秒である。オブジェクトがキャッシュから取得される場合、レイテンシは30〜40 秒に低下する。
• 段階ごとのパフォーマンス: L2 アセットフォージが主要なレイテンシ要因である。初回試行の CadQuery 生成（skill_generator）の中央値レイテンシは17.9 秒（p95: 65.4 秒）である。リトライ呼び出しは遅く、中央値は24.4 秒である。
• 信頼性: アセットフォージは、**初回試行のリトライ率が 11.3%**であることを示している。失敗は主に不正な CadQuery コードまたは無効な幾何学によるものである。自動リトライおよびフォールバックメカニズムにより、システムはシーングeneration全体を中止することなく回復できる。
• スループット: システムは 5 つの並列生成ジョブをサポートする。スループットは L2 アセット生成によって制限されるが、アーキテクチャがステートレスサービス（Redis、MinIO、Qdrant）を共有しているため、ワーカーを追加することで水平スケーリングが可能である。
• モデルパフォーマンス: 機械 CAD および自由形式アセットのベンチマークにより、claude-opus-4-6-fast が機械部品に対して最も高い幾何学的精度を達成し、qwen3-coder-480b が速度とコストの優れたバランスを提供することが示された。

意義と主張

本論文は、SR-Platform を、ロボットシミュレーション環境の生成をよりスケーラブルでアクセスしやすいものにするための一歩として位置づけている。ユーザーが 1 分未満で平易な英語のプロンプトから実行可能な MuJoCo シーンを生成できるようにすることで、多様なトレーニング環境を構築するために必要な手作業を削減する。

著者は、このシステムの価値が本番環境指向の設計にあることを強調している。これは単なる研究プロトタイプではなく、リアルタイムの進捗ストリーミング、非同期ジョブ実行、意味アセット検索、およびユーザーごとの状態分離を備えた展開済みサービスである。本論文は、意味計画、アセット生成、レイアウト推論、およびシミュレーターアセンブリを分離するこのエージェントアプローチが、単一のエンドツーエンド LLM プロンプトよりも優れたキャッシング、デバッグ、検証を可能にすると主張している。さらに、産業用制約チェックの導入は、視覚的に妥当なシーンと物理的に妥当で展開準備完了の環境との間のギャップを埋めることを目指している。

著者は控えめに限界を指摘しており、現在システムは屋内の産業用および半構造化環境を対象としており、LLM 生成の CAD コードは回復可能であるが、まだ保証された決定論的コンパイラではないと認めている。今後の研究として、画像から 3D への生成、高忠実度の物理バックエンド、およびロボット学習データセット形式への直接エクスポートの導入が提案されている。