MINERVA: How Small Can a Manipulation Policy Be and Still Solve LIBERO?
本論文は、LIBEROベンチマークにおいて最先端に近い性能を達成する、極めてコンパクトな0.54Mパラメータの視覚・言語・行動（VLA）ポリシーであるMINERVAを紹介しており、これにより当該タスクの容量の下限が驚くほど低いことが明らかになると同時に、指示条件付けの堅牢性における決定的な限界とフローマッチングによる恩恵の欠如を露呈させている。
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
ロボットは、かつては不可能と思われていたほどの器用さで、物体を拾い上げ、ブロックを積み重ね、単純な音声コマンドに従うといった動きを学習しつつあります。この進歩を後押ししているのは、視覚、言語、そして行動を単一のシステムへと統合した、新しい種類の人工知能です。これらのシステムは、しばしば「ビジョン・ランゲージ・アクション（視覚・言語・行動）モデル」と呼ばれ、ロボットの脳として機能します。ロボットは場面を観察し、「赤いブロックを拾って」といった要求を理解し、そのタスクを完了するために必要な精密な動きを計算します。これらの脳を訓練するために、研究者たちは「ベンチマーク」と呼ばれる標準的な一連の課題を使用しており、これがロボットの性能を測る物差しとなります。長年、ロボットの操作における最も一般的なベンチマークは、シミュレーション環境内で物体を動かす40種類の異なるタスクの集合体でした。この分野における支配的な見解は、これらのタスクを巧みに解決するためには、ロボットには巨大な脳、つまり、強力で高価なコンピューティング・ハードウェアを必要とする数十億のパラメータ（内部設定）を持つデジタルモデルが必要であるというものでした。
しかし、東京大学の研究チームは、より単純で実用的な問いを投げかけました。「実際には、脳はどの程度の大きさである必要があるのか？」という問いです。もしロボットが工場や家庭での特定の仕事を行うために配備されるのであれば、世界中のあらゆる言語を理解したり、見たこともないあらゆる物体を認識したりする能力は必要ありません。そのロボットには、雇われた特定のタスクを解決することさえできればよいのです。研究者たちは、標準的な40のタスクを完璧に解くことができる、最も小さなバージョンのロボットの脳を探求しました。彼らは、作業を遂行するために必要な最小限の計算能力、すなわち、ロボットが小型で安価なチップで動作できるのか、それとも常に巨大なサーバーを必要とするのかという閾値を求めていました。
この限界を見つけ出すために、チームはロボットにどのように動くべきかを指示するプログラムである「ロボット・ポリシー」のファミリーを構築し、それらを体系的に小さくしていきました。彼らは、約1,000万の内部設定を持つモデルから開始し、一歩ずつ縮小させながら、ロボットがいつ失敗し始めるのかを見守りました。彼らは、大規模なモデルによく見られる、自然言語の文章を読んだり、学習済みの視覚システムを使用したりといった複雑な機能を削ぎ落としました。その代わりに、ロボットには数字で表された40のタスク名の単純なリストと、ゼロから視覚を学習するカメラを与えました。そして、これらのモデルを標準的な40のタスクで訓練し、成功率を確認するために2,000回以上のテストを行いました。
結果は驚くべき底辺を明らかにしました。研究者たちは、わずか0.54ミリオン（54万）のパラメータを持つモデルが、95.1パーセントの成功率でタスクを解決できることを発見しました。この極めて小さなモデルは、数十億のパラメータを持ち、数千倍も大きい分野で最も有名で巨大なモデルとほぼ同等の性能を発揮しました。モデルのサイズが約1ミリオン（100万）パラメータに達すると、それ以上計算能力を増やしても性能は大幅には向上せず、収穫逓減の法則が見られました。逆に、モデルを25万パラメータ未満に縮小すると、ロボットの能力は崩壊し、特に複雑で長時間にわたるタスクにおいて顕著でした。これは、この特定の課題セットに対しては、ロボットに巨大な脳は必要ではなく、小さく効率的な脳があれば十分であることを示唆しています。
この研究はまた、ロボットの脳のどの部分が実際に重要であるかも明らかにしました。研究者たちはモデルの構成方法についてさまざまなテストを行い、最も重要なリソースは、ロボットの「目」にあたる視覚情報を処理する部分であることを突き止めました。視覚システムから容量を取りすぎると、動きを計画するための部分にどれほどパワーが残っていたとしても、ロボットは失敗しました。また、滑らかで流れるような動きを生み出すために用いられる複雑な数学的手法は、このレベルの性能を得るためには必要ではないことも発見しました。より単純で高速な動きの計算方法でも十分に機能し、ロボらットは一瞬で意思決定を行うことができました。
おそらく最も衝撃的な発見は、ロボットがどのように指示を理解していたかという点です。大規模なモデルでは、ロボットは「カップを拾って」という文章を読み、言葉の意味を理解しようとします。しかし、この極小モデルでは、研究者は言語を単純な数字コードに置き換えました。これらのコードを入れ替えて、ロボットに誤ったタスク番号を与えると、ロボットの成功率はほぼゼロにまで低下しました。これは、この特定のベンチマークにおいて、ロボットは言語を真の意味で「理解」しているのではなく、単にどの視覚的パターンがどの数字コードに対応するかを「記憶」しているに過ぎないことを証明しました。指示は、特定の記憶された行動を解錠するための「鍵」に過ぎなかったのです。
この区別は、ロボットの構築と利用において深い意味を持ちます。研究者たちは、巨大なモデルがこのベンチマークで報告している高い成功率は、多くの場合、ロボットが新しい状況にどれだけ汎用的に対応できるかではなく、特定のタスクをどれだけ上手く記憶しているかの尺度であることを示しました。彼らがこれらの極小モデルを、照明、背景、あるいは物体の形状を変えるといったタスクのバリエーションに対してテストしたところ、成功率は劇的に低下しました。これは、モデルが世界の物理法則を学習したのではなく、訓練されたタスクの特定の「見た目」を学習したに過ぎないことを露呈させました。しかし、毎日同じ40のタスクを行うために配備されるロボットにとっては、この「記憶」こそがまさに求められているものなのです。
この研究の実用的な成果は、極めて効率的なロボット・ポリシーです。0.54ミリオン・パラメータのモデルは、専用のグラフィックスカードを必要とせず、標準的なノートパソコン上で動作し、10ミリ秒未満で意思決定を行うことができます。これは、一つの動きを計画するのに数秒かかる現在の最先端モデルよりも数百倍高速です。小さな特化型モデルが標準的なベンチマークを解決できることを証明することで、研究者たちは、実用的で手頃な価格のロボットへの道が、必ずしもより巨大な脳を構築することによって開かれるのではないことを示しました。むしろ、それは特定の仕事に適合する、最小かつ最も効率的な脳を見つけることであり、この発見は、スペース、電力、コストが制限される家庭や工場へのロボット配備を可能にするものとなるでしょう。本研究は、これらの小さなモデルが、オープンエンドな探索に必要な汎用的な大規模システムに取って代われると主張するものではありませんが、固定されたタスクに対しては、必要とされる容量はこれまで信じられていたよりもはるかに小さいことを明確に立証しています。
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。