日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

ヒューマンロボットインタラクションarXiv:2607.22999

WCM: 汎用ヒューマンロボットインタラクションのための世界認知モデル

WCM: World-Cognition Model for Generalizable Human-Robot Interaction

シェア:XThreadsFacebookLINEはてブBluesky

ロボットが物理タスクでユーザーと対話的に協調できるよう、知覚・推論・制御・記憶を分離したSLAKアーキテクチャと非同期ランタイムを備えた人間中心の具現化エージェントWCMを提案。ユーザーが対話で教示でき、教示からCoT監督を生成してモデルを継続改善する。

詳しい要約

1. どんなもの?

本論文は、物理的なタスクにおけるHuman-Robot Interaction (HRI)を改善するための、World-Cognition Model (WCM)と呼ばれる人間中心のembodied agentを提案している。WCMはSLAKアーキテクチャ(Sensing, Logic, Action, Knowledge)と非同期ランタイムに基づいており、知覚、推論、制御、記憶を分離し、推論、対話、実行を並行して行うことを可能にする。さらに、ユーザーがロボットに困難なタスクや長期的なタスクを対話的に教えることができるhuman-in-the-loop teaching modeを導入している。

2. 先行研究と比べてどこがすごい?

従来のロボット制御パラダイム(vision-language-action policiesやworld-model-based planners)は主に命令実行に最適化されており、ユーザーが行動選択の理由を理解したり、対話を通じてロボットを修正・指導したりする仕組みが乏しい。WCMは、SLAKアーキテクチャにより認識・推論・制御・記憶を分離し、非同期ランタイムで推論・対話・実行を並行させることで、ユーザーに行動の説明を提供し、対話的な修正や指導を可能にする点が新しい。また、teaching modeを通じて長期的なタスクを教示できる点も先行研究と異なる。

3. 技術・手法の肝は?

技術の肝は、SLAKアーキテクチャ(Sensing, Logic, Action, Knowledge)と非同期ランタイムにある。SLAKは知覚、推論、制御、記憶を分離し、各モジュールが独立して動作する。非同期ランタイムにより、推論、対話、実行が並行して進行し、ユーザーとのインタラクション中にロボットが応答しつつ行動できる。さらに、human-in-the-loop teaching modeを導入し、ユーザーがタスクを教示できるようにしている。教示エピソードと自律的なタスク実行は、chain-of-thought supervisionに変換され、モデルの継続的な改善に使用される。

4. どうやって有効だと検証した?

9つの実世界のHRIタスクで平均成功率73.8%を達成した。これには、CoTファインチューニングから除外されたタスクや、教示を通じて学習された長期的なタスクが含まれる。具体的な比較対象やベースラインは要旨からは不明だが、実世界の多様なタスクでの成功率により有効性を示している。

5. 議論はある?

要旨からは、WCMの限界や議論点は明示されていない。ただし、成功率が73.8%であることから、すべてのタスクで成功するわけではなく、改善の余地があることが示唆される。また、教示モードの効果や、CoT supervisionの品質、非同期ランタイムの複雑さなどに関する議論が考えられるが、要旨には記載がない。

6. 次に読むべき論文は?

要旨で参照されている先行研究は、vision-language-action policiesとworld-model-based plannersである。これらの分野の代表的な論文として、Vision-Language-Actionモデル(例えばRT-2やPaLM-E)やWorld Modelベースのプランナー(例えばDreamerやTD-MPC)が挙げられる。また、chain-of-thought supervisionに関連する研究も参考になる。具体的な論文名は要旨にないため、これらの一般名で示す。

※ 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: Yuzhen Chen, KC Zhou

分類: cs.RO, cs.AI, cs.HC, cs.LG

原文アブストラクト

Language agents can now interact fluently with users in software, but robots still struggle to bring comparable interaction to physical tasks. Current robot-control paradigms, including vision-language-action policies and world-model-based planners, are mainly optimized for instruction execution, leaving users with little visibility into why an action is chosen and few mechanisms to redirect, correct, or teach the robot through interaction. To solve this problem, we present the World-Cognition Model (WCM), a human-centered embodied agent built on the SLAK architecture (Sensing, Logic, Action, and Knowledge) and an asynchronous runtime. SLAK separates perception, reasoning, control, and memory, while the runtime allows reasoning, dialogue, and execution to proceed concurrently. WCM further introduces a human-in-the-loop teaching mode that enables users to interactively teach the robot difficult or long-horizon tasks. Teaching episodes and autonomous task rollouts are refined into chain-of-thought supervision to continually improve the model. WCM achieves a 73.8% average success rate across nine real-world human-robot interaction tasks, including tasks held out from CoT fine-tuning and a long-horizon task learned through teaching.

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. 2newmo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
  3. 3GXO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
  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

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI