あなたは、見たこともない家の中で「ヴィンテージのトースター」のような特定の物体を探していると想像してください。あなたは狭い窓越しに、目の前にあるものしか見ることができません。そして、次にどこへ進むべきかを判断するために、自分がどこへ行き、何を見たのか、そして何を探しているのかを記憶しておく必要があります。これは、ロボットが世界をナビゲートする日常の姿であり、「エンボディドAI（Embodied AI）」と呼ばれる科学分野です。これを行うために、ロボットは「脳」（ポリシーネットワーク）を使用します。これは短期記憶として機能し、新しい視覚や音に基づいて内部状態を常に更新していきます。長い間、科学者たちはこの記憶を構築するために2つの主要な方法を試してきました。一つは、歴史を一つの縮小していく要約へと圧縮する方法（古いスタイルのノートのようなもの）、もう一つは、最近見たものの長いリストを保持し、接続を見つけるために毎回そのリスト全体を読み直す方法（非常に整理されているが動作が遅い司書のようなもの）です。大きな疑問は、探している物体が奇妙な名前を持っていたり、全く新しい家の中にあったりする場合、どちらの方法がロボットのナビゲーションを最も効果的に助けるのか、ということでした。

この論文は、LANav（Linear Attention-based Navigation）と呼ばれる新しいアプローチと、WSLAという特別なアップグレードを紹介しています。研究者たちは、「スーパー司書」の手法（自己注意機構を用いたTransformer）が、実は最先端であると考えられていたものの、ロボットが長い旅路を記憶する必要があるときに壁に突き当たることを発見しました。驚くべきことに、Transformerに対してより長い履歴を見せても、性能は向上しませんでした。実際、時には悪化することさえありました。代わりに、チームは、メモリを単なるリストとして読み直すのではなく、安定した構造化されたストリームとして更新するLinear Attentionという手法が、はるかにうまく機能することを発見しました。彼らはこのアイデアを、メモリを複数の「サブストリーム」に分割し、それぞれの重みを学習させることで強化したWSLAへと進化させました。テストにおいて、この新しいシステムは、挑戦的なシミュレーションの中で36.4%の確率で物体を発見し、既存の最高のTransformerモデルを明確な差で上回りました。さらに素晴らしいことに、彼らは実世界の部屋で実物のロボット犬を用いてテストを行い、82%の成功率を収めました。これは、この「ストリーミング・メモリ」のアイデアがコンピュータ内だけでなく、現実世界でも機能することを証明しています。

問題点：ロボットの記憶の危機

あなたが巨大で未知の迷路の中を「青い椅子」を探して歩いていると想像してください。あなたは数歩先のことしか見ることができません。角を曲がるたびに新しいものが見えますが、同時に10秒前に何を見たのかを忘れてしまいます。椅子を見つけるためには、「赤いドアを通り過ぎた」「扇風機の音が聞こえた」「左に2回曲がった」といった手がかりを保持しておく必要があります。

長年、ロボット科学者はこれを2つの主要なタイプのメモリで解決しようとしてきました。

1. コンプレッサー（RNNs）： これらは、過去の記憶をすべて一つの小さく高密度な塊へと押しつぶすロボットのようなものです。高速ですが、旅が長くなるにつれて、その塊はあまりに小さく乱雑になり、ロボットは重要な詳細を忘れてしまいます。
2. リ・リーダー（Transformers）： これらは、見たものすべての完璧で長いスクロール（巻物）を保持しているロボットのようなものです。次にどこへ行くべきかを決めるたびに、接続を見つけるためにスクロールの最初から最後までをすべて読み直します。これは強力ですが、動作が遅く、スクロールが長すぎると混乱が生じます。

研究者たちはこう問いかけました。「もし、より長いスクロール（より長い履歴）をTransformerに与えたら、物体を見つける能力は上がるだろうか？」彼らは、Open-Vocabulary Object Goal Navigationと呼ばれるタスクを用いてこれをテストしました。これは、「『スープを入れるもの』のように、あなたが聞いたことがない奇妙な名前を使って説明されたとしても、その物体を見つけなさい」という高度な指示を意味します。

驚き：歴史が長くても助けにならなかった

チームは一連の制御された実験を行いました。ロボットの目、マップ、学習ルールなどはすべて同じに保ち、メモリシステムのみを変更しました。彼らは、Transformerロボットにより長いスクロールを読ませれば、より頻繁に物体を発見できるようになると予想していました。

しかし、ここにひねりがありました。それはうまくいきませんでした。

Transformerが見ることができる履歴の長さを増やしても、ロボットのパフォーマンスは向上しませんでした。実際、いくつかのケースでは、わずかに悪化しました。まるでロボットが自分自身の記憶に溺れ、長いスクロールのどの部分が本当に重要なのかを判断できなくなっているようでした。「リ・リーダー」の手法は限界に達しているようでした。迷路をさまようロボットにとって、常に履歴全体を読み直すことは、状態を更新するための最善の方法ではないことが判明したのです。

解決策：「ストリーミング」メモリ

研究者たちはその後、異なるアプローチであるLinear Attentionを試みました。全体を読み直すのではなく、ロボットが「ストリーミング・メモリ」を持つことを想像してください。歩きながら、川の流れのように、ステップごとに内部状態を更新していきます。彼は川全体を振り返るのではなく、新しい雨（新しい観測）と現在の流れに基づいて水位を更新するだけです。

彼らはこのストリーミング手法を用いて、LANavと呼ばれるシステムを構築しました。結果は即座に、かつ印象的なものでした。

• 古い方法よりも優れている： LANavは、「コンプレッサー（RNN）」と「リ・リーダー（Transformer）」の両方のモデルに勝利しました。
• 長いほど良い： Transformerとは異なり、LANavのロボットに学習のためのより長い履歴を与えると、実際に性能が向上しました。学習する履歴が長ければ長いほど、ロボットはより賢くなりました。

アップグレード：WSLA（マルチストリームの脳）

研究者たちはそこで止まりませんでした。彼らは、ストリーミング・メモリであっても改善できる可能性があることに気づきました。彼らはこう考えました。「もし、私たちのロボットが単一のストリームではなく、複数のストリームを持ち、どのストリームに耳を傾けるべきかを学習できるとしたらどうだろうか？」

彼らはWSLA（Weighted State-Expansion Linear Attention）を作成しました。

• 比喩： ロボットの脳が、一つのストリームではなく、4つの異なる「ノート（サブステート）」を持っていると想像してください。一つは色を追跡し、もう一つは形を、別のものは回転を、そしてもう一つは音を追跡します。
• 魔法： 特別な「指揮者（学習可能な重み付け）」が、ある瞬間にどのノートにどれだけ耳を傾けるかを決定します。もしロボットが「赤い箱」を探しているなら、指揮者は「色のノート」のボリュームを上げ、「音のノート」のボリュームを下げるかもしれません。

このWSLAシステムは、チャンピオンとなりました。

• HM3D-OVONシミュレーション（大規模でリアルな3Dハウスデータセット）において、WSLAロボットは**36.4%**の成功率を達成しました。
• 最良のTransformerモデルは、わずか**30.1%**でした。
• これは6.3パーセントポイントの向上であり、この分野においては極めて大きな差です。

なぜ重要なのか：距離と現実世界

研究者たちはまた、ロボットがどのようにナビゲーションを行ったかも調査しました。彼らは、この新しいシステムが特に長い旅路において優れていることを発見しました。

• 短い旅： 両方のロボットともまずまずの結果でした。
• 長い旅： Transformerロボットはしばなくぐったりしたり、早く諦めてしまったりすることがよくありました。しかし、WSLAロボットは冷静さを保ちました。WSLAは、15メートル以上の距離を**14.36%の成功率でナビゲートすることに成功しましたが、Transformerはわずか6.68%**でした。

しかし、本当のテストは、コンピュータから外へ出し、現実の世界に持ち出すことでした。チームは、LANavシステムをUnitree Go2ロボット（実物の物理的なロボット犬）に搭載しました。彼らは、実世界の部屋の中でゴミ箱、植物、椅子などの物体を見つけるよう命じました。

• 彼らは50回の試行を行いました。
• ロボットは41回成功しました。
• それは、現実世界における82%の成功率です！

これは、「ストリーミング・メモリ」のアイデアが単なる面白いコンピュータ上のトリックではなく、現実の空間を移動し、現実の生活の複雑さに対処するロボットにとって、実際に機能することを証明しています。

まとめ

この論文は、複雑で未知の環境をナビゲートしようとするロボットにとって、従来の「すべてを読み直す」方法（Transformer）は、必ずしも最適なツールではない可能性を示唆しています。代わりに、構造化されたストリーミング方式でメモリを更新する方法（Linear Attention）、特に複数の専門化されたサブメモリによって強化された方法（WSLA）の方が、はるかに効果的です。それはより速く、より長い旅路にも適しており、そして最も重要なことに、実世界の部屋でロボット犬に載せたときにも実際に機能するのです。ロボットのナビゲーションの未来は、より多くの歴史を「覚える」ことではなく、より良く「記憶する」ことにあるのかもしれません。