PhyAgentOS: 認知計画と物理実行を分離した自己進化型身体化エージェントOS

PhyAgentOSは、多様な身体性を持つエージェント（embodied agents）のための自己進化型オペレーティングシステムである。セッションを最小のスケジューリング単位とし、スケジューリング、検証、メモリ、ベンチマーキング、安全性をシステムレベルのサービスとして提供する。認知と物理実行を分離するため、State-as-a-Fileプロトコルを用いて状態をMarkdown/YAMLで表現し、統一された認知状態空間を構築する。

既存のVLAモデル、世界モデル、エージェントプランナーは個別に進歩しているが、それらを統合する際に共通の実行抽象化、共有状態、意味的検証、永続的な経験が欠けている。PhyAgentOSは、セッションを単位とした実行抽象化、ファイルシステムとしての認知-物理境界、証拠に基づく検証、エピステミックメモリによる知識蓄積を提供し、これらの欠点を克服する点で優れている。

手法の核心は、セッション中心のランタイムとState-as-a-Fileプロトコルにある。セッションはスケジューリング、互換性事前チェック、監視付き実行、証拠収集、受け入れの最小単位である。認知-物理境界をファイルシステムとして扱い、状態をMarkdown/YAMLで表現することで、コード依存なしに検査可能でバージョン管理可能な記録を実現する。SessionVerifierは実行終了とタスク完了を区別し、証拠に基づいて成功・失敗・再計画を判定する。検証済みの結果はエピステミックメモリに統合され、再学習なしで試行錯誤ループを閉じる。安全性はプリフライト、アクションブリッジ、SafetyGuard、ハートビート監視、ターゲットローカル制約の多層で確保される。

検証は段階的に行われる。まずゲームで認知計画をテストし、次にシミュレーションでダイナミクスと制御を追加し、最後に実ロボットでハードウェアノイズを加える。認知層は一定に保たれる。PhyAgentOSはOptimus-67、StarDojo、DST-Dojoでベンチマークされ、19以上のシミュレーションおよび物理的身体性で検証され、LIBERO、Calvin、RoboCasa365で複数のVLAモデルに対して性能向上が確認された。

要旨からは、提案手法の限界や潜在的な問題についての議論は不明である。ただし、システムの複雑さや、ファイルシステムとしての状態表現が大規模タスクでスケールするかどうか、またエピステミックメモリの知識がどの程度一般化するかなどが議論の対象となり得るが、要旨には明記されていない。

要旨で参照されている関連研究として、Vision-language-action models、world models、agentic plannersが挙げられる。また、ベンチマークとしてOptimus-67、StarDojo、DST-Dojo、LIBERO、Calvin、RoboCasa365が挙げられる。次に読むべき論文としては、これらのモデルやベンチマークの詳細を扱った論文が考えられるが、具体的なタイトルは要旨からは不明である。