技術要約：動的な環境における自律ロボットのためのオープンエンドな認知進化

1. 問題提起

開放的で動的な環境で作動する自律ロボットは、現在の適応パラダイムにおける根本的な限界に直面している。継続学習、メタ学習、および認知アーキテクチャを含む既存のアプローチは、通常、推論、学習、および相互作用のメカニズムが設計時に固定されていることを前提としている。これらのシステムにおいて、適応は知識（$K_t \to K_{t+1}$）または既定の構造内でのモデルパラメータの更新に限定されている。

しかし、真のオープンワールドの設定では、ロボットが現在の推論手順が不適切である状況（例：クロスソース検証を必要とするセンサー間の競合）や、学習アルゴリズムがデータレジームに適合していない状況（例：疎なデータ対ドリフトの多いデータ）、あるいは相互作用戦略が環境の変化によって時代遅れになっている状況に遭遇する可能性がある。本論文は、ロボットが自律性と安全性を維持するためには、単に「何を知っているか」を更新するだけでなく、「どのように考え、学び、相互作用するか」をも進化させる能力を備える必要があると主張している。さらに、獲得された能力には時間的な妥当性がある。以前は有効であった戦略も、環境の変化に伴って安全でなくなったり、効果的でなくなったりするため、時代遅れの認知を検出し修正するメカニカズムが必要となる。

2. 手法：オープンエンドな認知進化フレームワーク

提案されたフレームワークは、適応の対象を知識のみの進化から、ロボットの認知状態の結合進化へとシフトさせる：
$$(K_t, T_t, L_t, I_t) \to (K_{t+1}, T_{t+1}, L_{t+1}, I_{t+1})$$
ここで、$K$は知識、$T$は思考メソッドの集合、$L$は学習メソッドの集合、$I$は相互作用メソッドの集合を表す。

A. 最小限の認知コア

システムは、観測 (OBSERVE)、思考 (THINK)、学習 (LEARN)、相互作用 (INTERACT)、および 評価 (EVALUATE) という、最小限かつ固定された一連の汎用的な認知活動を保持する。これらの活動の具体的な実装をハードコードされたものとする従来のアーキテクチャとは異なり、本フレームワークでは、それらの具体的な実装を進化する能力セット（$T_t, L_t, I_t$）として扱う。

B. オープンエンドな選択と拡張

ロボットは、効用推定（$U$）に基づいて、現在のレパートリーから特定のメソッドを選択する。既存のメソッドが充足度閾値（$\tau$）を満たさない場合、システムは能力生成プロセス（$G$）を起動し、新しいメソッドを構築する。

• 思考: 既存の推論（例：予測）が競合を解決できない場合、システムは新しい推論手順（例：クロスソース検証）を生成することができる。
• 学習: システムは「何を学ぶか」と「どのように学ぶか」の両方を決定し、データの量と質に基づいて、メモリベースの検索、バッチ学習、またはオンライン適応のいずれかを選択する。
• 相互作用: 行動は、タスクの実行だけでなく、欠落している証拠の取得、仮説の検証、または知識の妥当性テストのために選択される。

C. 最新の状態を維持する認知適応

時間的な変化に対処するため、フレームワークは不一致駆動型評価を採用する。システムは、期待される結果（$\hat{o}_{t+1}$）と観測された結果（$o_{t+1}$）を継続的に比較する。

• 不一致スコア（$\Delta_{t+1}$）が閾値を超えた場合、システムは再評価を開始する。
• これにより、原因が不完全な知識なのか、環境の変化なのか、あるいは不適切なメソッドによるものかを判断するループがトリガーされ、既存の能力の更新または置換へと導かれる。

D. 自律的認知ループ

このプロセスは、OBSERVE $\to$ EVALUATE $\to$ THINK $\to$ LEARN $\to$ INTERACT $\to$ OBSERVE という閉ループを形成する。スケジューラは、硬直したワークフローに従うのではなく、現在の状態に基づいて次に実行すべき活動を動的に決定する。

3. 実験設定および結果

本フレームワークは、5つの独立したランダムシードを用いて、制御された倉庫操作環境で評価された。LLM（DeepSeek-v4-flash）は、認知メソッドの提案および意味的な評価に使用され、学習済みモデル（例：k-NN、MLP）および観測された結果が実行可能なエビデンスを提供した。

実験1：思考のオープンエンドな拡張

• シナリオ: ロボットは、初期のレパートリーにクロスソース検証メソッドが欠けている16種類の未知の「競合ファミリー」（例：視覚と重量の不一致）に直面した。
• 結果:
  • 初遭遇時の成功率: 提案手法は、未知の競合ファミリーに対して 94.67 ± 5.58% の成功率を達成し、「知識のみ」のベースライン（60.00%）および固定ワークフロー（約54%）を大幅に上回った。
  • 再利用: 以前に学習された一般的な思考活動は、98.67 ± 2.98% のケースで再利用された。
  • 拡張: 既存のメソッドが不十分な場合、システムは新しい思考活動を正常に生成し、検証することに成功した（平均 2.6 回/シード）。

実験2：学習メソッドの適応的進化

• シナリオ: ロボットは、疎なデータ、安定した大量のデータ、および概念ドリフトを伴うデータの3つのレジームにわたって、把握力（grasp-force）のマッピングを学習した。
• 結果:
  • タスク成功率: 提案手法は、最高の固定学習器（Fixed Recent MLP）の 55.66 ± 1.49% に対し、全体で 69.16 ± 1.81% の成功率を達成した。
  • メソッド選択: 生のLLMによる提案の精度はわずか 32.50% であったが、エビデンスに基づく評価により、最終的な学習メソッド選択の精度は 95.00 ± 4.56% に向上した。
  • 適応: システムは、レジームのラベルに関する事前知識なしに、疎なレジームではメモリベースの学習へ、安定したレジームではバッチ学習へ、そしてドリフト発生時には最新ウィンドウを用いた学習へと正しく切り替えた。

実験3：環境変化への最新の状態を維持する適応

• シナリオ: 未告知の環境変化（例：物体の重量変化、センサーのドリフト、グリッパーの劣化、経路の遮断）が発生した。
• 結果:
  • タスク成功率: 提案手法は 96.43 ± 3.34% の成功率を達成し、静的な手法（52.50%）および受動的な継続学習（87.86%）を上回った。
  • 安全性と妥当性: 受動的な継続学習における時代遅れの決定率が 22.86% であったのに対し、提案手法はハザード率を 1.07 ± 1.60% に、時代遅れの決定率を 1.43 ± 1.96% に低減させた。
  • 効率性: 定期的な更新と比較して、不一致が検出された場合にのみ検証を行うため、検証操作を 48.0 ± 5.7% 削減した。
  • 相互作用の進化: システムは、すべてのシードにおいて、新しい相互作用メソッド（例：cross_sensor_check, probe_path）を正常に追加した。

4. 主な貢献

1. 認知進化の定式化: 本論文は、自律的な適応を、従来の $K_t \to K_{t+1}$ パラダイムを超えた、知識、思考、学習、および相互作用メソッドの結合進化として定式化した。
2. 最小限のコア、オープンな能力アーキテクチャ: 汎用的な認知活動のみを固定し、その具体的な実装を環境のエビデンスに基づいて選択、修正、拡張できるようにするアーキテクチャを導入した。
3. 拡張と適応の統合: 能力が不十分な場合に新しいメソッドを作成する「オープンエンドな拡張」と、不一致が陳腐化を示す場合にメソッドを修正する「最新の状態を維持する適応」を組み合わせた。
4. 実証的検証: ロボットが、未知の推論要件、変化する学習レジーム、および未告知の環境変化に対して、認知レパートリーを進化させることで、固定された手法や知識のみの手法よりも高い成功率と安全性を持って適応できるという実験的証拠を提供した。

5. 意義と主張

本論文は、開放的な環境における真の自律性には、学習を固定されたメカニズムとして扱うのではなく、メカニズム自体を継続的な適応の対象として扱うパラダイムシフトが必要であると主張している。その意義は、以下の点にある：

• ロボットは、定義済みのルールなしに、抽象的な思考手順を未知の競合ファミリーへと一般化できること。
• 学習アルゴリズムの選択はデータレジームに適応する必要があり、その選択は設計者のヒューリスティックではなく、エビデンスに基づく評価によって確実に駆動できること。
• 不一致駆動型の評価により、ロボットは環境の変化を早期に検出し、定期的なチェックの非効率性や、時代遅れの知識に依存する危険を回避することで、安全性と妥当性を維持できること。

著者は、継続的な自律性は、ロボットの認知スタック全体（$K, T, L, I$）の結合進化を伴うべきであり、それによって、設計時に予期されていなかった能力を漸進的に構築しつつ、変化する世界との整合性を確保できると結論づけている。今後の課題として、より豊かな物理環境への適用と、作成されたメソッドの長期的な定着が挙げられている。