技術要約：イベント駆動型思考のための進化するバックグラウンド活動：生涯自律ロボットに向けて

問題提起

動的な環境で稼働し続ける自律ロボットは、根本的な効率性の課題に直面している。すなわち、新規または異常な状況に対して効果的な推論を行う一方で、馴染みのある反復的なタスクに対して高コストな推論モジュール（大規模言語モデルなど）を呼び出すという計算資源の浪費を回避しなければならない。既存のアプローチは、推論、継続学習、およびスキルライブラリを別個の領域として扱う傾向がある。それらは、ロボットがいかにして「熟考的な思考（deliberate thinking）」から軽量な「自動処理（automatic processing）」へと動的に移行すべきか、また逆に、条件の変化や性能低下が発生した際にいかにして思考を再起動させるべきかという点に対処できていない。さらに、現在のスキルライブラリは単調に増大し続けることが多く、一時的に不要となったスキルを退避させたり休眠させたりするメカニズムを欠いているため、ロボットの生涯にわたるリソース配分が非効率になっている。

手法

本論文では、生涯自律ロボットにおけるプロセスのライフサイクルを管理するために設計された、**進化するバックグラウンド活動フレームワーク（Evolving Background Activity Framework）**を提案する。このシステムは、思考活動（Thinking Activities）（高コスト・明示的推論）と、バックグラウンド活動（Background Activities）（軽量・自律的処理）の2つのレベルで動作する。

1. 二重の覚醒メカニズム

いつ高コストな思考を呼び出すべきかを決定するために、本フレームワークは2つの補完的なトリガーを採用している。

• 能動的覚醒（Active Awakening）： 現在の観測における瞬間的な異常に反応する。タスク固有の偏差、モデルの不確実性、推定リスク、および異常な証拠の頻度に基づきスコアを算出する。このスコアが閾値を超えた場合、即座に思考がトリガーされる。
• 受動的覚醒（Passive Awakening）： 単一の観測では見えない可能性のある、蓄積された結果の漸進的な劣化を検知する。時間窓内における観測された結果と期待される結果との乖離を追跡する。蓄積された誤差が閾値を超えた場合、軌道を修正するために思考が再覚醒される。

2. 思考からバックグラウンドへの統合

本フレームワークは、推論と自動化の間の双方向の遷移を促進する。

• 学習・試行・能動サイクル（Learning-Trial-Active Cycle）： 状況の繰り返しによる思考が必要となった際、検証された経験を用いて軽量なモデル（例：MLP）を訓練する。この新しい活動は、厳格な監視と分布外（OOD）検知の下で動作する**試行（Trial）状態に入る。信頼性が実証された後、初めて能動（Active）**状態へと移行し、定型的な処理を自律的に行う。
• 結果指向の検証（Result-Oriented Validation）： エラーの伝播を防ぐため、システムは推論の出力を盲目的に学習ラベルとして受け入れない。特定の品質基準（例：タスクの成功、安全性）を満たした結果のみがバックグラウンドモデルの更新に使用される。
• 再覚醒（Re-awakening）： 能動的なバックグラウンド活動がOOD状況に遭遇したり、不適切な結果を生じさせたりした場合、システムは思考モジュールを再覚醒させる。修正された決定は、検証された上でバックグラウンドモデルの再訓練または拡張に使用される。

3. 動的な活動ライフサイクル

バックグラウンド活動のレパートリーは静的なものではない。それは、処理の成功、目標への貢献度、および頻度を、計算コストおよび損失に対して重み付けするメンテナンス・ユーティリティ関数（$Q$）によって管理されるライフサイクルを通じて進化する。

• 状態： 活動は、候補（Candidate）、学習（Learning）、試行（Trial）、能動（Active）、休眠（Dormant）、および**退役（Retired）**の間を遷移する。
• 休眠（Dormancy）： 活動のユーティリティが閾値を下回ったが、潜在的には有用である場合、その活動は休眠状態に入る。モデルと履歴は保持されるが、オンライン処理のリソース消費は停止する。関連する状況が再来すれば、即座に再活性化が可能である。
• 退役（Retirement）： 長期間にわたって低ユーティリティの状態が続いた、あるいは陳腐化した場合、その活動は退役（レパートリーからの削除）となる。

主な貢献

1. 二重の能動・受動覚醒： 瞬間的な異常と蓄積された結果の劣化の両方に基づいて、高コストな思考を選択的に呼び出すメカニズム。これにより、連続的または固定間隔の推論ではなく、選択的な推論が可能になる。
2. 双方向の遷移： 繰り返される推論を再利用可能な自動活動へと統合し、一方で未知または劣化した状況において思考モジュールを自律的に再覚醒させることで、熟考と自動化の間の継続的なループを形成するフレームワーク。
3. 進化する活動レパートリー： （生成 $\to$ 学習 $\to$ 試行 $\to$ 能動 $\leftrightarrow$ 休眠 $\to$ 退役）というライフサイクル管理システム。これにより、固定されたスキルセットや単調に増大するライブラリとは異なり、実行コストを永続的に支払うことなく、再利用可能な能力を保持できる。

実験結果

本フレームワークは、長期間稼働するモバイル操作およびモニタリングタスクを含む3つの実験によって評価された。

• 実験1（選択的覚醒）： 「常時思考」、「定期的思考」、「固定トリガー」のベースラインと比較。
  • 結果： 提案手法は、クリティカルなイベントの再現率（recall）1.000を維持しながら、思考の呼び出し回数を92.9%削減（120回から8.5回へ）した。固定トリガーでは見逃される漸進的な劣化やソースの競合も正常に検知し、タスク成功率は「常時思考」と統計的に区別がつかないレベルを達成した。
• 実験2（思考からバックグラウンドへの統合）： 620ステップに及ぶ長期ホライゾンのパッケージハンドリング・シナリオで評価。
  • 結果： 主要な思考呼び出しを89.0%削減（398.5回から43.9回へ）した。極めて重要なことに、経験の統合が進むにつれ、難易度の高いケースの成功率は0.649から0.726に向上し、同時に難易度の高いケースにおける思考率が0.331から0.158へと低下した。これは、繰り返される経験が、高コストな推論への依存を減らしつつ、能力を向上させたことを示している。
• 実験3（レパートリーの進化）： 「Fixed-All」（全スキル有効）および「Recency」（直近の使用に基づく）のベースラインと比較。
  • 結果： 提案手法は、活動セットのF1スコア0.959を達成しつつ、正規化されたバックグラウンドコストを「Fixed-All」と比較して46.4%削減した。タスク要件の変化に伴い、スキルの休眠と再活性化（例：壊れやすい物体の取り扱い）を効果的に管理し、不要なオンライン処理を最小限に抑えた。

意義と主張

本論文は、生涯自律にはより優れた推論だけでなく、「いつ推論が不要であるか」を学習する能力も必要であると主張している。繰り返される思考を軽量なバックグラウンド活動へと動的に変換し、休眠や再活性化を含む活動のライフサイクルを管理することで、ロボットは長期間にわたって効率的に動作することができる。本フレームワークは、クリティカルなイベントの検知や長期的なタスク性能を損なうことなく、計算コストを大幅に削減（最大92.9%の削減）できることを実証しており、場合によっては経験の統合を通じて困難なタスクの能力さえも向上させることができる。本研究は、適応的な推論、継続学習、および動的なスキル管理の架け橋となり、長期間稼働するエンボディド・エージェントにおけるリソース配分の具体的な課題に対処している。