技術要約: PaCo-VLA

問題提起

接触を伴う豊かなロボット操作（Contact-rich robot manipulation）には、言語や視覚的コンテキストを解釈するための高レベルな意味論的推論と、接触力学の安全かつ高頻度な制御という二重の能力が必要である。Vision-Language-Action (VLA) モデルは、意味的なタスクにおいて顕著な汎化性能を達成しているが、その低レートの出力（アクション・トークンまたはチャンク）は、力に敏感なシナリオにおける直接的なプラント権限としては信頼性に欠ける。VLAとロボットの接触コントローラーの間の直接的なインターフェースは、「意味論から接触へ（semantics-to-contact）」のギャップを生じさせる。すなわち、意味論的推論は遅いタイムスケールで動作する一方、接触力学（力・トルク計測、アクチュエータ制限、不安定な接触）は迅速な反応を必要とする。VLAの予測を直接実行すると、レイテンシに起因するコンプライアンス誤差、力のスパイク、あるいは物理的安全制約に違反する古い予測の実行を招く可能性がある。さらに、これらのシステムの評価は困難である。なぜなら、タスクの成功が、モデルの意味的な価値ではなく、低レベルのコントローラーによるリカバリーや幾何学的なショートカットに起因している可能性があり、それらが混同される恐れがあるからである。

手法: PaCo-VLA

著者らは、意味的なプロポーザル生成と低レベルのコンプライアンス実行を分離するフレームワークとして、PaCo-VLA（Passivity-Shielded Compliance Prior）を提案する。VLAの出力を直接的なモーターコマンドとして扱うのではなく、システムはそれらを**タスクレベルのコンプライアンス・プロポーザル（提案）**として扱う。

1. コンプライアンス・プライア・インターフェース

VLAモデルは、以下の内容を含む低レートのプロポーザル・ベクトル $\hat{u}_k$ を出力する：

• 意味的結合 ($\hat{b}_k$): 対象物の識別。
• タスクステージ ($\hat{s}_k$): タスクの現在のフェーズ。
• リカバリー・キュー ($\hat{r}_k$): 失敗またはリカバリーの必要性の指示。
• アドミッタンス・スケジュール ($\hat{\theta}_k$): 仮想的な質量、ダンピング、剛性を定義する対角アドミッタンス・スケジュール $(\hat{M}_k, \hat{D}_k, \hat{K}_k)$ の提案。
• 妥当性指標 ($\hat{q}_k$): 新鮮度およびコンテキストの一貫性。

2. プロポーザルに依存しないシールド

プロポーザルに依存しない高頻度のシールドが、これらのプロポーザルの実行を統制する。このシールドは、入力が（学習されたもの、ランダムなもの、遅延したもの、あるいは古典的なものに関わらず）プラントに到達する前に、安全なコマンドへと変換されることを保証する。シールドは主に3つのステージで動作する：

• 意味論的ゲーティング (Algorithm 1): システムは、プロポーザルの有限性、新鮮度、およびコンテキストの一貫性をチェックする。プロポーザルが無効であるか、あるいは意味的コンテキストが不一致である場合、システムは生のVLA出力を実行するのではなく、保守的なリカバリー候補へとデフォルト設定される。
• コンプライアンス投影 (Algorithm 2): 提案されたスケジュールは、許容集合 $\Theta_{box}$（質量、ダンピング、剛性のクリッピング）へと投影される。極めて重要な点として、これはサンプリングされた対角アドミッタンス・パッシビティ・マージンを強制する：
  $$\rho_{k,i} = 2D_i - \frac{M_i - M_{k-1,i}}{\Delta t_k} \geq 2d_{margin}$$
  これにより、慣性（質量）の急速な増加が、接触ループへのエネルギー注入を防ぐために十分なダンピングによって裏付けられることが保証される。
• エネルギー・タンク保護実行 (Algorithm 3): エネルギー・タンクは、パラメータ変更によって必要とされる能動的なエネルギーを管理する。
  • 充電: 前ステップからの保守的なダンピング散逸がタンクにクレジットを加える。
  • 放電: 質量や剛性の能動的な増加がタンクを充電する。
  • スケーリング: 提案されたスケジュールに対してスケーリング係数 $\beta_k \in [0, 1]$ が適用される。エネルギー・タンクが枯渇した場合、$\beta_k < 1$ となり、タンクの状態が最小閾値 $E_{min}$ を上回り続けるように、能動的なパラメータ変更を縮小させる。これにより、システムが「蓄積」した散逸によるエネルギーよりも多くのエネルギーを注入することを防ぐ。

3. ガーデッド実行（Guarded Execution）

レンチ・ガバナー（力・トルク制御器）が安全でない力を検出したか、あるいは意味論的ゲートが失敗した場合、システムは「ガードされた」状態に入る。システムはタスクステージの遷移を一時停止し、能動的な慣性を減少させ、ダンピングを増加させ、剛性を安全な保持値に向けて低下させる。これにより、遅延した、あるいは安全でない意味論的出力がプラントに直接コマンドを与えることを防ぐ。

主な貢献

1. VLA-to-Compliance インターフェース: 学習済みモデルが意味的結合とコンプライアンス・スケジュールを提案し、ロボットはシールドされたプラント・コマンドのみを実行するという、新しいアーキテクチャ。これにより、意味論的な権限と接触の権限を分離する。
2. プロポーザルに依存しないランタイム契約: ボックス投影、パッシビティ・マージンの強制、エネルギー・タンクによる計上、力モニタリング、およびガード付きリカバリーを組み合わせた、サンプリング・アドミッタンス・ランタイム契約。この契約はプロポーザルのソースに依存しないため、異なるポリシー・タイプの公平な比較を可能にする。
3. 因果的評価プロトコル: 意味的な情報の寄与を、幾何学的なショートカットや低レベルのリカバリー挙動から分離して特定するための、ペアになったシミュレーション上の反事実的試行を用いる手法。これには、言語のシャッフル、画像のマスク、誤ったオブジェクトの指示、およびコンテキストの遅延を含む条件下でのテストが含まれる。

実験結果

著者らは、シミュレーションおよび実世界のAUBO-i5ロボット（6軸力/トルクセンサ搭載）を用いたコネクタ挿入の接触豊かなタスクにおいて、PaCo-VLAを評価した。

• ランタイムの安全性: 1,000回の敵対的なコンプライアンス・プロポーザル試行において、完全なPaCo-VLA投影は0回のパッシビティ違反を達成したが、投影を除去した場合は50.5%の違反率となった。
• タスク成功率とベースライン:
  • シミュレーションにおいて、PaCo-VLAは0.318のタスク成功率と100%の安全性を達成した。これは、固定/適応型アドミッタンス・コントローラーや、直接プラントに作用する学習済みアクション・ポリシー（OpenVLA, Diffusion Policy, ACT, Octo）を上回る結果であり、後者はプラントに直接作用した場合に0%のタスク成功率となることが多い。
  • 実世界のコネクタ挿入（30試行）において、PaCo-VLAは10/10の接触成功および9/10の挿入成功を達成し、非意味論的なシールド・コントローラーやエネルギー・タンク・ベースラインを大幅に上回った。
  • PaCo-VLAは、ベースラインの約0.62 mmに対し、最終的な横方向誤差を0.181 mmに低減した。
• 意味論的属性: 反事実的実験により、高いタスク成功率はライブな意味的入力に因果的に依存していることが示された。言語をシャッフルしたり、画像をマスクしたり、コンテキストを遅延させたりすると、タスク成功率は0%に低下した。これにより、成功はシールド単体や幾何学的なショートカットによるものではないことが確認された。
• 転移: 本フレームワークは、より複雑なEV充電ガンのプラグ差し込みタスクへの転移に成功し、8/15の成功を達成した。

重要性と主張

本論文は、PaCo-VLAがアドミッタンス・ポートにおいて証明可能なサンプリング・パッシブ・ランタイム契約を確立していると主張している。その主な重要性は以下の通りである：

1. ギャップの架け橋: 基礎モデルを直接のコントローラーとしてではなく、プロポーザル・ソースとして扱うことで、接触豊かな領域への展開を可能にし、レイテンシや検証されていない予測のリスクを軽減する。
2. 分離された評価: プロポーザルに依存しないシールドを強制することにより、本フレームワークは、VLAモデルの意味論的な寄与を、コントローラーの安全メカニズムから厳密に分離して評価することを可能にする。
3. 犠牲のない安全性: 敵対的なコンプライアンスの変化や意味論的な変化の下でもゼロのパッシビティ違反を維持し、直接的なVLA制御が失敗する力に敏感なタスクにおいて安全な実行を可能にする。

著者らは限界についても言及しており、彼らの保証は対角サンプリング・アドミッタンス更新に特有のものであり、ピーク力、結合接触、またはアクチュエータの飽和を制限するものではないことを認めている。また、変形物体やより豊かな物理的モダリティへの拡張は今後の課題であるとしている。