TypeGo: An OS Runtime for Embodied Agents
本論文は、同期的なLLMのリクエスト・レスポンスサイクルを、非同期かつマルチタイムスケールのプランニングと並行的なタスク管理に置き換えることで、レイテンシを大幅に削減しリアルタイム制御を可能にする、エンボディド・エージェントのためのオペレーティングシステム型のランタイムであるTypeGoを導入するものである。
原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
あなたはロボット犬に、賑やかな世界を歩き回る方法を教えようとしていると想像してください。現在、ほとんどのロボットは、まるでテキストメッセージを待っている人のようです。彼らは立ち止まり、次に何をすべきかという「脳」（大規模言語モデルやLLM）からの返答を待ち、それから動きます。もし「脳」が考えるのに5秒かかれば、ロボットはその5秒間、固まったまま動けません。これは、落下物を避けたり、歩きながら人間に話しかけたりする必要がある現実の世界では、あまりにも遅すぎます。
TypeGoは、この問題を解決するために設計された新しいシステムです。イェール大学の研究者たちは、ロボットを単に命令を待つ単純な機械としてではなく、ロボットの身体と脳を同時に管理する「スマートなオペレーティングシステム」（スマートフォンやノートパソコンで動作しているソフトウェアのようなもの）として扱うことを提案しています。
TypeGoがどのように機能するかを、簡単な比喩を使って説明します。
1. 問題点：「止まって考える」というボトルネック
ロボットが部屋を横切ろうとしている場面を想像してください。
- 従来の方法： ロボットは一歩踏み出し、立ち止まり、AIの脳に「次はどうすればいい？」と尋ねます。AIは3秒間考え、「左に曲がれ」と言います。するとロボットは左に曲がります。そしてまた立ち止まり、「次は？」と尋ねます。これにより、ロボットはぎこちなく、動きが遅くなり、予期せぬ事態に素早く反応することができません。
- 課題： AIの脳は賢いですが、動作は遅いです。現実世界のロボットには、スピードが必要です。
2. 解決策：「ロボットOS」
TypeGoは、コンピュータが画面、キーボード、スピーカーを管理するように、複数の「アプリ」（タスク）を同時に実行し、ロボットの物理的なパーツ（脚、スピーカー、カメラ）を管理するオペレーティングシステムとして機能します。
TypeGoは、異なる速度で動作する**4つの異なる「思考ループ」**を使用し、これらがすべて連携して動作します。
- 反射レイヤー (S0) – 「膝の反射」：
- 比喩： 熱いストーブに触れた場面を想像してください。脳が熱いと認識する前に、あなたは手を引っ込めます。
- 仕組み： これは、遅いAIを待たない超高速なレイヤーです。もし人の姿がロボットの前に現れたら、このレイヤーが即座に「止まれ！」や「後ろに下がれ！」と命じます。これは1秒間に100回の速さで動作し、ロボットが衝突しないようにします。
- アクション・ストリーマー (S1) – 「先読みするシェフ」：
- 比喩： スープが煮えるのを待たずに、野菜を切り始めるシェフを想像してください。彼らはスープが完成するのを待つのではなく、次のステップを前もって準備します。
- 仕組み： ロボットが現在歩いている間に、このレイヤーはすでに「次の3ステップ」について考えています。それらを「キュー」（待ち行列）に入れます。現在のステップが終わる頃には、次のステップの準備がすでに整っています。これにより、遅い思考時間を、速い移動時間の中に隠すことができます。
- タスク分解器 (S2) – 「プロジェクトマネージャー」：
- 比喩： 人間に「家を掃除して」と頼むと、その人は「まずおもちゃを片付け、次に掃除機をかけ、それから埃を払う」というように、作業を細分化します。
- 仕組み： このレイヤーは、「ボールを探せ」といった大きな目標を受け取り、それを小さく管理しやすい塊に分解します。そして、ロボットが見ているものに基づいて、数秒ごとにこれらの計画を更新します。
- プロセス・スケジューラー (S3) – 「交通整理の警官」：
- 比喩： 混雑した交差点を想像してください。交通整理の警官は、誰を優先させるかを決めます（救急車か、それとも配送トラックか）。
- 仕組み： もしロボットが歩いていて（タスクA）、突然人間が「座って」と言った場合（タスクB）、スケジューラーはどちらのタスクが優先されるかを決定します。人間が直接的な命令を与えた場合、それが優先されることを理解しています。もしロボットが単に壁を避ける必要があるだけなら、歩行タスクを一時停止し、壁を回避した後、自動的に歩行に戻ります。
3. ロボットへの指示：「処方箋（Prescriptions）」
TypeGoに指示を出すために、コードを書く必要はありません。自然な言葉で話すだけです。
- タスク： 「赤いボールを探して。」（これはプロジェクトマネージャーに送られます）。
- 反射： 「もし何かが2フィート以内に近づいたら、後ろに下がれ。」（これは反射レイヤーのための高速で自動的なルールとしてコンパイルされます）。
4. 衝突の解決方法（「スキル・カーネル」）
ロボットには限られた物理的パーツがあります。例えば、歩行と首を回転させる動作が競合する場合、同時に行うことはできません。
- カーネル： これは「リソースマネージャー」だと考えてください。クラブの用心棒のような役割を果たします。もし「歩行」プロセスが脚を使い、「会話」プロセスが口を使おうとした場合、カーネルはそれらが異なるパーツを使用しているため、両方を許可します。しかし、もし2つのプロセスが同時に脚を使おうとした場合、カーネルは一方のプロセスが完了するまでもう一方を一時停止させ、ロボットが矛盾する2つのことを同時に行おうとして混乱するのを防ぎます。
5. 結果：より速く、よりスマートに
研究者たちは、実機のロボット犬（Unitree Go2）である「Kalos」を用いてテストを行いました。
- スピード： 従来の方法と比較して、TypeGoは最初の動作を開始するまでの時間を**73%短縮しました。また、ステップ間の遅延を50%**削減しました。
- マルチタスク： ロボットは歩きながら人間の話を聞くことができ、人間が新しい命令を出した場合、ロボットは歩行を一時停止して聞き、その後、混乱することなく歩行を再開できました。
- 安全性： 障害物が現れた場合、ロボットは遅いAIが考えるのを待つことなく、即座に（1秒未満で）反応しました。
まとめ
TypeGoは、ロボットを動かすための新しい方法です。あらゆる動きの前に遅いAIの許可を求めるのではなく、以下の機能を備えた「オペレーティングシステム」をロボットに与えます。
- 危険に対して即座に反応する（反射）。
- 移動しながら先読みする（先読みストリーミング）。
- 複数のタスクを同時に管理する（スケジューリング）。
- 自然な言葉で人間と対話する。
その結果、ロボットはより生き生きとして、応答性が高く、予測不可能な現実世界を巧みにこなせるようになるのです。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。