CASD: Chunk-Aligned Semantic Distillation for Multi-StageRobot Manipulation

現実世界で物体を操作するロボットは、タイミングに関する根本的な問題に直面しています。人間がロボットに対して「ボウルを引き出しに入れて、それを閉めて」と指示する場合、その指示は一つのコマンドのように聞こえますが、物理的な実態は、ボウルに手を伸ばし、掴み、移動させ、放し、そして最後に引き出しを押し閉めるという、明確に異なる瞬間の連続です。現代のロボットは、多くの場合、将来の動きを短いブロックとして一括で予測することでこれを解決しようとします。この手法は、微細な動作のたびに立ち止まって考えることなく、スムーズに動くのに役立ちます。しかし、このアプローチには死角が生じます。もしロボットが20個のアクションのブロックを予測しており、そのブロックの中盤がちょうどボウルを保持することから手放すことへと切り替わる瞬間であった場合、ロボットの内部ガイドは、そのブロックの前半部分の指示に従って、依然として「保持」するように指示し続けてしまう可能性があります。これは、目標がすでに「解放」へと移行していることに気づけないことを意味し、不器用な動きや失敗につながります。

この問題を解決するために、Ant Groupの研究者たちは「チャンク・アラインド・セマンティック・ディスティレーション（Chunk-Aligned Semantic Distillation）」と呼ばれる手法を開発しました。その核心となるアイデアは、ロボットに「今何をしているか」だけでなく、「これから行うアクションのブロックのうち、どの程度が各タスクの構成要素に属しているか」を正確に理解させることです。ロボットに、あるブロック全体に対して「移動中」や「閉じる」といった単一のラベルを強制する代わりに、重み付けされた混合比率を計算させます。もしアクションのブロックの4分の3が「移動」であり、4分の1が「解放」である場合、ロボットは両方の性質をブレンドしたものに備えることを学習します。これにより、ロボットは事後的に反応するのではなく、変化が起こる前にそれを予期し、ステップ間をスムーズに遷移できるようになります。

研究者たちは、思考と実行を分離した二段階のトレーニングプロセスを用いてこのシステムを構築しました。まず、強力なオフライン言語モデルを使用して、人間がタスクを実行している録画ビデオを視聴させました。このモデルは教師として機能し、ビデオを「掴む」、「運ぶ」、「放す」といった明確なステージのタイムラインへと分解しました。ビデオのあらゆる瞬間において、教師はロボットが次のアクションブロックの中で各ステージにどれだけの時間を費やすかを正確に計算しました。そして、その瞬間における「将来の混合状態の記述」としてのセマンティック・ターゲット（意味論的な目標）を作成し、それが正解となりました。

次に、現在のロボットのカメラからの視界、自身の物理的状態、およびテキスト指示のみを用いて、この将来の混合比率を予測する「ジェネレーター」と呼ばれる別のコンピュータプログラムを訓練しました。ジェネレーターは、現在を見て、直近の未来の構成を推測することを学習しました。このジェネレーターの訓練が終わると、研究者たちはその設定を固定（フリーズ）し、それ以上変化しないようにしました。その後、この固定されたジェネレーターをメインのロボット・ポリシーに結合しました。これにより、ロボットが行動を決定する必要があるとき、ジェネレーターは即座に、ステージの混合状態を記述したセマンティック・コンテキスト・トークンを提供します。ロボットはこのトークンを使用して動きをガイドし、遷移が起こる前にそれを「視認」することになります。重要なのは、ロボットが作業中に大規模言語モデルを呼び出したりテキストを生成したりする必要はないということです。タスク構造の理解という重い処理は、事前に固定されたジェネレーターの中で事前に行われています。

チームは、シングルアーム、二本腕の協調動作、複雑なナビゲーション・シナリオを含む様々なベンチマークを用い、いくつかの異なるロボット学習システムでこのアプローチをテストしました。標準的なテストにおいて、この手法は明確な改善を示しました。特定のタイプのロボットの脳として知られる「ジョイント・モデル（Joint model）」と組み合わせた場合、一連の操作タスクにおける成功率は、この新手法を用いない場合の98.0パーセントに対し、98.9パーセントに上昇しました。別の二本腕タスクのセットでは、改善はさらに顕著で、90.6パーセントから93.0パーセントへと跳ね上がりました。また、照明の変化やロボットの開始位置の変化など、環境が変化した場合でも堅牢であることを証明し、他の手法が苦戦する場面でも高い成功率を維持しました。

しかし、結果はすべてのタイプのロボットの脳に対して普遍的な勝利だったわけではありません。研究者たちがこの手法を別のバリアントのシステムに適用したところ、パフォーマンスはわずかに低下しました。これは、このセマンティック・ガイダンスの恩恵が、ロボットの基礎となるシステムがどのように構築されているかに大きく依存していることを示唆しています。あるアーキテクチャにとっては、追加のコンテキストは動作を洗練させる助けとなりますが、他のアーキテクチャにとっては、わずかなミスマッチを引き起こす可能性があるのです。

テストにおける具体的な例が、この手法がもたらす違いを物語っています。黒いボウルを引き出しに入れて閉めるというタスクにおいて、標準的なロボットモデルはボウルを放すタイミングが遅れ、放すべき時を過ぎてもずっと保持し続け、最終的にタイムアウトしました。一方で、この新手法を備えたロボットは、全く同じ位置から同じランダムシードを使用して開始したにもかかわらず、タスクの転換をより早く認識しました。それは遷移が発生する正確な瞬間にボウルを放し始め、タスクを成功裏に完了しました。このシステムは、ボウルをまだ持っている間に引き手のことを「考える」必要はありませんでした。受け取ったセマンティック・トークンが、直近の未来の相当な部分を「解放」フェーズが占めていることを伝えていたからです。

研究者たちは、このアプローチが、ロボットが移動中にステップ・バイ・ステップの計画やサブゴールの一覧を生成することを要求しない点を強調しています。代わりに、一度の決定サイクルごとに生成される、タスク構造の圧縮された数学的表現に依存しています。これにより、システムは高速かつ効率的であり、複雑な推論プロセスに伴う遅延を回避できます。この手法は、タスクの高レベルな記述と、物理的な動作の低レベルなタイミングとの間の溝をうまく埋め、ロボットが人間の予期に近い流動性を持ってマルチステージの指示を扱えるようにします。この技術はあらゆるロボット構成に対する魔法の解決策ではありませんが、機械が自身の動きにおける時間の流れを理解する方法を改善し、硬直したコマンドのシーケンスを、ダイナミックでコンテキストを意識したパフォーマンスへと変えるための具体的な手段を提供しています。