技術要約：PHILIA – 知的なロボットとの長期的な物理的共存への一瞥

問題提起

本論文は、人間と知的なロボットとの間の**長期的な物理的共立（long-term physical coexistence）**を実現するという課題に取り組んでいる。汎用および特化型のロボットポリシーの最近の進歩は、ロボットの能力を拡大させたが、ポリシーの実行だけでは真に知的なロボットの伴侶には不十分である。現在の導入されているシステムは、多くの場合、ロボット固有のインターフェースを介した孤立したコマンド実行に依存しており、これは、異種混合のロボット、メモリ、ユーザーインターフェースのシームレスな統合を必要とするマルチロボット環境や長期的な共存にはスケールしない。

さらに、ロボットの能力は、根本的に異なる時間的および意味的スケールにわたって動作する：

• 低頻度・高セマンティック： 言語対話、プランニング、メモリ、および意図の理解。
• 高頻度・低レベル： 知覚、ナビゲーション、マニピュレーション、および安全性に直結する制御。

既存のパラダイムはこれらのレイヤーを分離することに苦慮しており、ユーザーインターフェースやロボットポリシーなどの特定のコンポーネントを改善しようとする際に、システム全体の再設計を必要とすることが多い。著者らは、永続的な「コントロールプレーン」（意図、メモリ、およびオーケストレーションを担当）と「ロボットローカル・ランタイム」（リアルタイムの実行を担当）を分離するアーキテクチャを提唱し、異種混合のエンボディメント（身体性）にわたる構成的な改善を可能にする。

手法：PHILIA アーキテクチャ

著者らは、ロボットゲートウェイ抽象化を中心としたマルチロボットエージェントアーキテクチャであるPHILIAを導入している。このシステムは、低頻度のエージェント推論と高頻度のロボット実行をデカップル（分離）するように設計されている。

1. システムアーキテクチャ

PHILIAは、以下の3層アーキテクチャを採用している：

• ユーザーインターフェース： 対話のためのメッセージング、音声、およびウェブアプリケーション。
• エージェント・コントロールプレーン： 意図理解、メモリ検索、ツール使用、タスク構成、およびアクター解決を担当する永続的なセマンティックレイヤー。これは完全にセマンティックレベルで動作し、低レベルのモーターコマンドではなく、構造化された能力リクエストを発行する。
• ロボットローカル・ゲートウェイ： これらはプラットフォーム固有のミドルウェア、ポリシー、および制御ロジックをカプセル化する。これらは、実装の詳細を隠蔽しながら、コンパクトな高レベルの能力（観測、タスク実行、ナビゲーション、音声、ステータス監視）を公開する。

2. 主要な設計抽象化

• ロボットゲートウェイ抽象化： エージェントの知能とロボット固有の実装をデカップルする、能力中心のインターフェース。各ゲートウェイは、サポートされている能力を記述するランタイム・マニフェストを公開する。これにより、エージェントのコントロールプレーンを変更することなく、新しいロボットやポリシーを統合できる。
• 構成的システム： このアーキテクチャは、ユーザーインターフェース、メモリシステム、ロボットのエンボディメント、およびポリシーバックエンドを独立したモジュールとして扱う。どのレイヤーにおける進歩も、安定した能力境界の背後に統合することができる。
• インターリーブされたプランニングと実行： 長期的なリクエストは、ロボットと非ロボットのアクションにまたがるワークフローへと分解される。実行は知覚とインターリーブ（交互に配置）され、中間的な観測がその後の決定に情報を与える。単純で限定的なリクエスト（例：停止コマンド）は、明示的なプランニングなしに直接実行される。

3. メモリとコンテキスト

• エージェンティック・メモリ： OpenClawのMarkdownベースのフレームワークに基づいて構築されており、人間が読める形式のファイルに永続的なユーザーの事実や好みを保存する。メモリはオンデマンドで検索され、タスクプランニングのためのセマンティックなコンテキストを提供するが、低レベルのロボットアクションを直接制御することはない。
• ポリシー・メモリ： 長期的なタスクに対するマルコフ決定過程（MDP）の限界に対処するため、PHILIAは2つのメカニズムを通じてポリシーに履歴コンテキストを注入する：
  1. 固定ウィンドウの履歴アクション・トークン： 過去128ステップの固有受容感覚データを圧縮する。
  2. 視覚的軌跡注入： ロボットのプライマリカメラビューに、過去のグリッパーの軌跡を投影することで、時間的な履歴を視覚的観測に直接埋め込む。

4. ポリシーの実行と学習

システムはポリシーを「能力」として扱う。以下を活用する：

• 基盤モデル（Foundation Models）： 単純なマニピュレーションのためのゼロショット実行器。
• 教師あり微調整（SFT）： 器用さを必要とするタスクのために、エキスパートのデモンストレーションを使用。
• オフライン強化学習（RL）： 失敗およびリカバリ状態におけるポリシーを改善するために、アドバンテージ条件付きポストトレーニングを使用。これには、フレームレベルの進捗信号に対するアドバンテージ推定器の訓練と、アクションチャンク間のラベルの不一致を解決するためのチャンク認識型バイナリ化の適用が含まれる。
• スムーズな実行： 非同期推論とアクションチャンク実行の間の時間的なズレを緩和するために、訓練時のリアルタイム・チャンキングと実行時の軌跡フィルタリングを利用する。

5. ナビゲーションと安全性

• セマンティック・ナビゲーション： エージェントはセマンティックな場所の名前（例：「キッチン」）に基づいて推論を行うが、マッピング、ローカリゼーション、およびモーションプランニングはロボットローカル・ランタイム内にカプセル化されている。
• 安全性のエンベロープ（包絡線）： 物理的なアクションは、明示的な実行ゲートを介して媒介される。コントロールプレーンは、ゲートウェイの状態に基づいた認可および準備チェックを強制する。アクター範囲のタスク調停により、ロボットごとに一度に一つの動作変更能力のみがアクティブになることが保証される。

実験的検証と結果

著者らは、代表的なユースケースとディスパッチ・ベンチマークを通じて、Astribot S1ロボット上でこのアーキテクチャを検証している。

1. 能力に基づいたディスパッチ

システムは、4つの意図クラス（robot_task, robot_query, robot_control, non_robot）にわたる483の発話テストセットを用いて、7つの異なる言語モデルで評価された。

• ルーティングの信頼性： 軽量なバイナリゲートは、すべてのモデルにおいてF1 ≥ 0.96、再現率（Recall）≥ 0.98を達成した。
• ディスパッチ精度： フロンティアモデル（例：Claudeシリーズ）は、ロボットのリクエストに対して89–94%のトップ1スキルマッチング精度を達成し、非ロボットの発話に対しては100%の拒絶を実現した。
• レイテンシ： 5段階のカスケード・ルーティング・アーキテクチャ（regex → ローカル分類器 → 決定的ルーター → グラウンデッド・ルーター → エージェント実行）により、精度とレイテンシのバランスをとっている。ほとんどの単純な意図はミリ秒単位で解決されるが、複雑なリクエストにはより重いモデル（例：フルルーティングでClaude-opus-4.6を使用した場合のp50レイテンシは3.6秒）が使用される。

2. 代表的なユースケース

本論文は、エージェントの推論を物理的アクションに接地（グラウンド）させるシステムの能力を示している：

• 推論に基づいたアクション： エージェントは、シーンの観測と外部知識（例：食品のカテゴリ、カロリー数）を組み合わせて、ポリシーの実行をガイドする（例：食品をカテゴリ別またはカロリー別に整理する）。
• メモリに基づいたアクション： システムは、長期的なユーザーの好み（例：朝食の習慣）を検索し、ポリシーを再学習することなくタスクの実行をガイドする。
• マルチロボットの調整： 単一のエージェントが複数のロボット（例：「アリス、テーブルを片付けて、ボブ、ゴミ袋を持ち上げて」）を制御し、独立して登録されたゲートウェイにタスクを割り当てる。
• プラグアンドプレイのポリシー実行： システムは、エージェントのインターフェースを変更することなく、異なるポリシー（例：Lumo-2ロボットでの「バックパックを詰める」）を正常に呼び出すことができる。

主な貢献

本論文は、主に4つの貢献を主張している：

1. エージェントとランタイムの分離アーキテクチャ： 低頻度のセマンティック推論と高頻度のロボット実行を分離し、異種混合のエンボディメントにわたるスケーラブルで長期的な運用を可能にする。
2. ロボットゲートウェイ： エージェントの知能とロボット固有の実装をデカップルする、能力中心の抽象化。これにより、ローカルの実行スタックを変更することなく、セマンティックな推論とメモリを多様なロボットに汎用化できる。
3. 構成的システムデザイン： UI、メモリ、エンボディメント、ナビゲーション、およびポリシーの進歩を独立して統合できるフレームワークであり、ユーザー体験の累積的な向上をもたらす。
4. 実世界での検証： Astribot S1ロボットを用いたアーキテクチャのデモンストレーションを通じて、ロボットローカルのポリシーを安定した能力契約を維持しながら継続的に改善できることを示した。

重要性と主張

著者らは、PHILIAを、基礎となるVLAポリシーやナビゲーションスタックの代替品としてではなく、それらのコンポーネントを単一のアシスタント・アイデンティティの下に構成する統合的なランタイム・コントラクトとして位置づけている。

• スケーラビリティと進化： このアーキテクチャは、システム全体の再設計を行うことなく、任意のサブシステム（例：より優れたポリシーや新しいUI）の進歩を統合できる「構成的」なユーザー体験を可能にする。
• 安全性と制御： エージェントを構造化された能力リクエストに制限し、低レベルの安全性チェックをロボットローカル・ランタイム内に保持することで、システムは自然な対話の豊かさを維持しながら、物理的な安全性を確保する。
• 将来の共存： 本研究は、知的なロボットがいかにして、長期的な日常の共存において信頼できるパーソナライズされたパートナーになれるかを探求するための招待状である。それは、人間、機械、および環境の間で認知を分散させるものである。

著者らは、本研究が大規模な制御されたベンチマークではなく、アーキテクチャ設計と代表的なユースケースに焦点を当てていることを認め、限界を指摘している。今後の方向性としては、長期的な信頼性の定量化、マルチユーザーの認可の評価、およびS1のエンボディメントを超えたクロスプラットフォームの汎用性の検証を挙げている。