日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

タスク計画arXiv:2507.16713

実践主義ロボット:実世界経験を通じたタスク計画の学習

A Pragmatist Robot: Learning to Plan Tasks by Experiencing the Real World

シェア:XThreadsFacebookLINEはてブBluesky

VLMを脳と目として使い、実世界での行動結果を自己反省して短期・長期記憶に蓄え、RAGで過去経験を活かしてタスク計画を改善するフレームワークPragmaBotを提案。

詳しい要約

1. どんなもの?

- LLM を用いたロボットのタスクプランニングフレームワーク PragmaBot を提案 - VLM をロボットの「brain」かつ「eye」として用い、実世界での経験から計画を学習 - verbal reinforcement learning に着想を得て、パラメータ更新なしに自己内省と few-shot で改善 - 短期記憶 (STM) と長期記憶 (LTM) を持ち、RAG で過去経験を活用

2. 先行研究と比べてどこがすごい?

- 従来の LLM ベース計画はインターネットデータ学習のため実機の embodiment・skill・制約と不整合 - PragmaBot は実世界経験を通じて自己内省し、ロボット自身に接地した計画へ適応 - STM によりタスク遂行中に素早く行動修正できる点が特徴 - LTM と RAG により未見タスクへも転移可能な点が先行研究と異なる

3. 技術・手法の肝は?

- VLM が行動結果を視覚的に評価し、失敗について self-reflect - 内省を STM に保存し、進行中タスクで即時適応 - タスク完了時に教訓を要約して LTM へ格納 - 新規タスクでは RAG で関連する過去経験・知識を検索し、接地した行動系列を計画

4. どうやって有効だと検証した?

- 4 つの難易度の高いロボットタスクで実験 - STM ベースの自己内省により成功率が 35% から 84% へ向上、創発的な物体操作も観察 - 12 の実世界シナリオ(うち 8 つは未見タスク)で LTM から学習し、単一試行成功率が 22% から 80% へ向上 - RAG が naive prompting を上回ることを確認

5. 議論はある?

- 実世界経験からの学習と RAG の有効性・汎化性を示唆 - ただし要旨からは、失敗要因の分析や限界、STM/LTM の容量・検索精度などの詳細は不明 - 実験規模やタスク多様性に関する議論は要旨からは不明

6. 次に読むべき論文は?

- verbal reinforcement learning の関連研究(Reflexion 等) - RAG を用いたロボット計画の関連手法 - VLM をロボットの brain/eye として用いる研究 - LLM ベースのロボットタスクプランニングの代表的先行研究

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Kaixian Qu, Guowei Lan, René Zurbrügg, Changan Chen, Christopher E. Mower, Haitham Bou-Ammar, Marco Hutter

分類: cs.RO, cs.AI, cs.CL

原文アブストラクト

Large language models (LLMs) have emerged as the dominant paradigm for robotic task planning using natural language instructions. However, trained on general internet data, LLMs are not inherently aligned with the embodiment, skill sets, and limitations of real-world robotic systems. Inspired by the emerging paradigm of verbal reinforcement learning-where LLM agents improve through self-reflection and few-shot learning without parameter updates-we introduce PragmaBot, a framework that enables robots to learn task planning through real-world experience. PragmaBot employs a vision-language model (VLM) as the robot's "brain" and "eye", allowing it to visually evaluate action outcomes and self-reflect on failures. These reflections are stored in a short-term memory (STM), enabling the robot to quickly adapt its behavior during ongoing tasks. Upon task completion, the robot summarizes the lessons learned into its long-term memory (LTM). When facing new tasks, it can leverage retrieval-augmented generation (RAG) to plan more grounded action sequences by drawing on relevant past experiences and knowledge. Experiments on four challenging robotic tasks show that STM-based self-reflection increases task success rates from 35% to 84%, with emergent intelligent object interactions. In 12 real-world scenarios (including eight previously unseen tasks), the robot effectively learns from the LTM and improves single-trial success rates from 22% to 80%, with RAG outperforming naive prompting. These results highlight the effectiveness and generalizability of PragmaBot. Project webpage: https://pragmabot.github.io/

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI