A Taxonomy of Construction Task Activities for Robot Workers

技術要約：ロボットワーカーのための建設タスク活動の分類学

問題提起
Vision-Language-Action (VLA) モデルは様々な領域でロボットの能力を拡大させているが、建設ロボティクスは依然としてタスク特化型のシステムに制約されている。建設業界は、材料、工具、作業現場における大幅な変動性という特有の課題を抱えており、これが汎用ロボットの導入を妨げている。既存のソリューションには、ワーカーの活動や、それを実行するために必要な特定の能力に関する精密なインベントリ（目録）が欠けている。さらに、現在の行動分類学は、建設特有の工具使用や全身運動（例：TARMAC）をカバーできていないか、あるいは、職業に基づいた構成可能なアクションではなく、フィールドオペレーションや人間とロボットの相互作用に焦点を当てている。その結果、能力のギャップを特定し、ロボットに何を学習させるべきかを教え、あるいはロボットのレパートリーが人間の建設作業の全範囲をカバーしているかどうかを評価するための標準化されたフレームワークが存在しない。

手法
著者らは、人間の労働とロボット学習の間の溝を埋めるために設計された、職業に基づいた分類学であるTARCAT（Taxonomy of Construction Task Activities for Robot Workers）を導入する。その手法は、主に以下の4つのステップで構成される：

1. データ収集とグラウンディング： この分類学は、米国労働省のリソースに基づいている。著者らは、労働統計局（BLS）のデータに基づき、雇用数が最も多い7つの建設職種（建設作業員、大工、電気技師、配管工/配管工/蒸気配管工、塗装工、レンガ工/ブロック工、屋根職人）を選択した。これらを169のO*NETタスク記述にマッピングし、物理的な動きを必要とする137のタスクに絞り込んだ。
2. ビデオアノテーション： 特定された91のO*NETタスクをカバーする30本の教育用建設ビデオを使用し、人間が各デモンストレーション内のタイムスタンプ付き活動をアノテーションした。各活動には特定の「アクション・プリミティブ（基本動作）」がラベル付けされ、サブゴールを達成するシーケンスは「スキル」としてラベル付けされた。
3. 分類学の導出： 著者らは、タスクの説明とビデオアノテーションを分析し、文脈に依存しない「アクション・プリミティブ」を導出した。これらのプリミティブは、特定の職業や工具のアイデンティティではなく、行使される能力（運動または相互作用の要件）によって定義される。この抽象化により、制御に関連する区別を維持しつつ、異なる職種間での転用が可能となる。
4. 構成メカニメント： 本フレームワークは、これらのプリミティブを再利用可能なパラメータ化されたスキルへと構成するメカニズムを定義している。スキルとは、特定の工具やオブジェクトと共にインスタンス化できる、プリミティブの順序付けられたシーケンスである。

主な貢献
本論文は、主に4つの貢献を提示している：

• 構造化された階層： TARCATは、12のグループと3つのクラスに整理された41のアクション・プリミティブを定義している：
  • 情報処理： アセスメント（評価）、コンプレヘンション（理解）、プランニング（計画）を含む（例：測定、図面の読み取り）。
  • コミュニケーション： コラボレーション（協調）とドキュメンテーション（記録）を含む（例：合図、報告の記録）。
  • 工具使用： 指の操作、腕の平行移動/ポジショニング、腕/手首の回転、混合動作、表面接触操作、全身の移動、および全身の荷重保持を含む。
• スキルの構成： 再利用可能なスキルを、パラメータ化されたプリミティブの順序付けられたシーケンスとして作成するメカニズム。これにより、同時、反復、または入れ子状のアクションの分解を通じて、複雑なタスク（例：タイルを取り付ける）を表現することが可能になる。
• アノテーション済みコーパス： 7つの職種にわたる91のO*NETタスクをアノテーションした30本の教育用ビデオのデータセットを提供し、デモンストレーションを整理し、ロボットの要件を指定するための人間が解釈可能な構造を提供する。
• 物理的インスタンス化： CRAFTデクスタラスハンドを装備したDOBOT CR3協働ロボットアーム上で、選択されたプリミティブの初期展開を示す。

結果
著者らは、理論的な分解と物理的な実行の両方を通じて分類学を検証した：

• 分解分析： 分類学は、複雑な建設タスク（例：ワイヤーの取り外し、タイルの取り付け）をプリミティブとスキルのシーケンスへと正常に分解し、変数、反復、および入れ子状のサブタスクを扱う能力を実証した。
• 物理的実行： チームは、DOBOT CR3アームを用いて4つの工具使用アクティビティをインスタンス化した：電動ドライバーのポジショニング、箱へのハンマーの配置、釘打ち、および物体を払いのける動作である。これらのデモンストレーションは、選択された分類学の要素が、腕の平行移動、回転、および表面接触操作を伴う実行可能な物理的挙動にマッピングされることを確認したが、著者らはハードウェア研究は予備的な段階であると注記している。

意義と主張
本論文は、TARCATを固定された制御アーキテクチャとしてではなく、人間の労働を分析し、汎用的な建設ロボットを開発するための共通の語彙として位置付けている。その意義は以下の通りである：

• 標準化： 人間のデモンストレーションをインデックス化し、ロボットのスキルライブラリを構造化し、異なるロボットの形態（エンボディメント）間で欠落している能力を明らかにするための、安定したアクション語彙を提供する。
• コーディングエージェントの実現： 分類学は、新しいタスクの制御プログラムを生成する際に、エージェントが取得、適応、拡張できる構造化されたプリミティブのセットを提供することで、ロボットコーディングエージェント（ASPIREなど）をサポートするように設計されている。
• レベル間の橋渡し： 高レベルの職業データ（O*NET）と低レベルの物理的実行を結びつけ、建設ロボティクスのシステムレベルの視点とプロセスレベルの視点の間のギャップを埋める。

著者らは、現在のコーパスが7つの職種のみをカバーしており、タスクあたりのデモンストレーション数も限定的であることを認め、限界事項として挙げている。彼らは、ハードウェアのインスタンス化は予備的なものであると述べており、今後の研究では、コーパスの拡大、アノテーションの一致度の測定、およびモバイルマニピュレータやヒューマノイドへのプリミティブの実装に焦点を当てるとしている。