技術要約: 故障診断およびクローズドループ修復のための Onto-EV-WM

1. 問題提起

ワールドモデル（例：EV-WM）を利用する物理AIシステムは、候補となる未来を予測し、特徴量ベクトルまたはイベントベクトルに基づいてそれらをスコアリングする。しかし、これらのスカラー値やイベントベクトルは、なぜその候補が失敗したのかという「理由」に関する明示的な意味情報を欠いていることが多い。具体的には、以下の事項が記録されない：

• どの特定のタスク述語（例：空間的関係や関節の制約）が満たされていないか。
• 失敗に関連付けられた型付き引数。
• どの修正メカニズムを適用すべきかを示すルートラベル。
• ネイティブなタスク述語に基づく、修正後の受理結果。

その結果、システムは低スコアの候補を特定できても、特定の未充足条件を診断し、互換性のある修正戦略を割り当て、かつネイティブなタスク述語を用いて結果を検証するための構造化されたインターフェースを欠いている。本論文は、高次元の予測と記号的なタスク検証の間のギャップに対処し、基礎となるワールドモデルやビジュオモーターコントローラを置き換えることなく、診断と修復のための明示的なインターフェースを提供することを目指している。

2. 手法: Onto-EV-WM

著者らは、既存のEV-WMアーキテクチャの上にレイヤーとして構築された、オントロジーに基づいた診断および検証ゲート付き修正インターフェースである Onto-EV-WM を提案する。これはワールドモデルの置き換えではなく、予測から修正へのフローを管理する記号層である。

2.1 アーキテクチャとコンポーネント

システムは、以下の3つの主要コンポーネントを含む構造化されたパイプラインを通じて動作する。

1. オントロジー記録層 (TBox および ABox):
   • TBox (Task Box): エンティティ型（例：Object, Region, Joint）、述語シグネチャ（例：in_region, contact）、および型制約を含むタスクローカルなスキーマを定義する。これは特定のタスクのための再利用可能な語彙として機能する。
   • ABox (Assertion Box): 現在の状態をインスタンス化する。システムは、プロベナンス（由来）に特化した3つのABoxを構築する：
     • $A^\star_g$: 構造化されたタスク仕様 ($g$) からコンパイルされた、要求されるアサーション。
     • $\hat{A}^{pred}_{g,t+H}$: ワールドモデルの予測出力からグラウンド（接地）されたアサーション。
     • $A^{sim}_{g,t}$: シミュレータの状態から直接グラウンドされたアサーション。
2. 決定論的診断とルーティング:
   • 診断 ($\Pi_D$): 要求されるABox ($A^\star_g$) と観測・予測されたABoxを比較する。満たされていないアサーション ($\Delta F_{src}$) を特定し、特定の述語、その型付き引数、および連続的なマージン違反を保持する。これにより、型付きの失敗レコード（例：relation_missing(plate, stove_front)）が生成される。
   • ルーティング ($\Pi_R$): 決定論的なルールベースが、型付きの失敗を特定の「ルートラベル」にマッピングする。ルートとは、直接的なロボットの動作ではなく、互換性のある修正メカニズム（例：「ソース関節ポーズ」、「オブジェクト関係述語」）へのディスパッチラベルである。
3. 検証ゲート付き修正ループ:
   • 提案生成: プロポーザー（学習済み、ヒューリスティック、またはプランニングベース）が、失敗レコードと選択されたルートに基づいて修正 $q$ を生成する。
   • 適用: 修正は、直接的なシミュレータ状態の変異（例：$qpos$ の変更）またはコントローラを介した実行を通じて適用される。
   • 検証: ネイティブなタスク検証器が、タスク述語に対して結果の状態をチェックする。
   • 限定的なリトライ: 検証に失敗した場合、システムは試行予算 ($b$) をインクリメントし、状態を再グラウンドし、同じルートを再試行するか、あるいはルートを変更する。ループは成功するか、予算が尽きるまで終了しない。

2.2 運用フロー

このインターフェースは、予測、グラウンディング、診断、適用、および検証を分離する。

• 入力: タスク仕様、ソースタグ（予測またはシミュレーション）、および状態。
• プロセス: 状態をABoxにグラウンド $\rightarrow$ 欠落している述語を診断 $\rightarrow$ ルートを割り当て $\rightarrow$ 修正を生成 $\rightarrow$ 適用 $\rightarrow$ 検証。
• 出力: 受理された状態、保持されたプランニング候補、または未解決の型付き失敗トレース。

3. 主な貢献

本論文は、主に以下の3つの技術的貢献を行う。

1. 運用ロボットタスク・オントロジー: 予測された状態およびシミュレータで観測された状態を、共有された語彙と型制約の下で、個別のタスク固有のABoxとして表現する、明示的なグラウンディング・インターフェースの設計。
2. 決定論的診断とルーティング: 違反した述語とその型付き引数を保持し、元のコンテキストを破棄することなく、それらをタスク固有の修正ルートにマッピングするルールベースのシステム。
3. 検証ゲート付き修正契約: 修正の試行の全ライフサイクル（診断、ルート選択、提案、適用モード、およびネイティブ述語による受理）を記録し、限定的なリトライメカニズムを強制するプロトコル。

4. 実験結果

著者らは、シミュレーションプロトコルを用いて、3つの異なるベンチマーク設定においてOnto-EV-WMを評価している。

4.1 PointMaze (整列比較)

• 設定: EV-WMとOnto-EV-WMの50試行のランダム状態プランニング比較。
• 結果: 両手法とも94%の成功率を達成した。しかし、Onto-EV-WMは、EV-WM（0.90573）と比較して、有意に低い平均最終状態距離（0.61177）を達成しており、タスク条件を満たす精度が高いことを示している。
• 注記: より大きな探索予算と成功優先選択を用いた別構成では100%の成功に達したが、これは予算の違いにより、整列設定との直接的な比較はできない。

4.2 LIBERO-Goal (サンプリングウィンドウ修正)

• 設定: 10個の操作タスクにおける4つの評価サンプリングシードを用いた評価。プロトコルは25ステップのデモンストレーションウィンドウをサンプリングする。修正は、固定された学習済みソース/ジョイント $qpos$-deltaメカニズムを介して、シミュレータの状態に直接適用される。
• 結果:
  • Seed 0: 93.8% の修正ウィンドウ成功率 (469/500)。
  • 4つのSeed全体: 94.05 ± 0.30% の修正成功率。
  • リカバリ: 261件のリプレイ失敗のうち、142件（54.4%）が修正メカニズムによって「救済」された。
• 文脈: オントロジーは、失敗を固定された修正ヘッドに結びつける診断レコードを提供しており、報告された指標は、完全なオントロジーに基づいた構成を反映している。

4.3 LIBERO-Plus (固定レジストリ)

• 設定: 4つのスイート（LIBERO-10, Goal, Object, Spatial）にわたる10,030個の摂動タスクの固定レジストリを用いた評価。
• 結果:
  • 全体的な成功率: 85.00% (10,030タスク中8,526タスク)。
  • スイート別の内訳:
    • LIBERO-Goal: 91.39%
    • LIBERO-Object: 91.38%
    • LIBERO-Spatial: 91.38%
    • LIBERO-10: 65.98% (残留失敗数が最も多いスイートとして特定)。
  • 比較: Onto-EV-WM構成は、DINO-WM + CEM (61.57%) や様々なVLAモデルを含むいくつかのベースラインを上回っているが、これはシステムレベルの比較であり、オントロジー単独の因果的寄与を分離したものではない。

5. 意義と主張

本論文は、Onto-EV-WMを、故障診断および修復プロセスに明示的な型付き推論を加えることで、物理AIシステムを強化するシステムレベルのインターフェースとして位置づけている。

• 限定的な範囲: 著者らは、結果が以下を構成しないことを明示している：
  • 実ロボットによるリカバリやSim-to-Realの検証。
  • 一般的なオープンワールドの知識グラフやユニバーサルなロボット・オントロジー。
  • オントロジーのみによる因果的寄与（性能向上は完全な構成に起因するものとされる）。
  • 既存のコントローラを置き換える新しい学習済みポリシーのクラス。
• 核心的な価値: その意義は、なぜタスクが失敗したのか（型付き述語と引数）を記録し、修復プロセス（ルートと検証）を、基礎となる予測モデルから切り離された形で構造化できる能力にある。これにより、検証ゲートが修正の受理を制御するシミュレーションプロトコル内での「クローズドループ」の修復が可能になる。
• 限界: 評価はシミュレーションベースのプロトコルに依存している。「クローズドループ」とは、シミュレータ内での限定的な検証・リトライサイクルを指しており、物理ハードウェア上のリアルタイムなフィードバック制御を指すものではない。定量的な結果は、オントロジー単独の有効性ではなく、特定のプロトコルの下での統合システムの性能を反映している。