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:2609.05985

脳に着想を得たゼロショットロボットタスク推論と実行のための階層的フレームワーク

A Brain-inspired Hierarchical Framework for Zero-Shot Robot Task Reasoning and Execution

シェア:XThreadsFacebookLINEはてブBluesky

オープンな言語指示に従うロボットのための、脳の役割分担に着想を得たゼロショット階層的フレームワークを提案し、視覚認識、言語接地、コストベースの計画、実行検証を統合して、長期的なタスク分解と物理的検証を実現した。

詳しい要約

1. どんなもの?

本論文は、ロボットが自由形式の言語指示に従ってタスクを実行するための、ゼロショットの階層的フレームワークを提案している。このフレームワークは、人間の脳における役割分担に機能的に着想を得ており、視覚知覚と状態推論、言語接地と共有アトミックアクションライブラリからの行動系列生成、コストベースのプラン選択、実ロボット実行と検証の各モジュールから構成される。コマンドを明示的なオブジェクト状態に接地し、再利用可能なアトミックアクションをタスク条件付き系列に合成し、実行コストで代替系列をランク付けし、更新された観測から中間的な物理的結果を検証する。

2. 先行研究と比べてどこがすごい?

エンドツーエンドのVision-Language-Actionポリシーはクロスタスク汎化を改善したが、視覚と言語入力を直接ロボット動作にマッピングするため、長期的な分解、物理的検証、リカバリのための明示的構造が不足している。本手法は、明示的なオブジェクト状態推論、構成可能なアトミックアクション、コストベースのプラン選択、閉ループ実行検証を組み合わせることで、これらの限界に対処し、ゼロショットで高い成功率を達成している点が優れている。

3. 技術・手法の肝は?

手法の核は、脳の役割分担に着想を得た階層的分解にある。具体的には、(1)視覚知覚と状態推論でオブジェクトの状態を推定し、(2)言語接地と行動系列生成で共有アトミックアクションライブラリからタスク条件付き系列を生成し、(3)コストベースのプラン選択で実行コストに基づき最適な系列を選択し、(4)実ロボット実行と検証で更新された観測から中間結果を検証する。これにより、明示的なオブジェクト状態への接地、アトミックアクションの再利用、コストによるプラン選択、閉ループ検証を実現している。

4. どうやって有効だと検証した?

評価では、クリーンボード試行10/10、ピックアンドプレース試行10/10、ピラミッド積み上げ試行4/5(平坦および不規則な初期レイアウト条件の両方)を完了し、平均タスク進捗はそれぞれ99.03%、100.00%、96.67%であった。また、全評価条件において、ReKep、Dream2Flow、π0.5ベンチマークよりも高い成功率を達成した。

5. 議論はある?

要旨からは、提案手法の限界や潜在的な欠点についての議論は不明である。ただし、成功率が高い一方で、ピラミッド積み上げでは4/5と完全ではないことから、複雑なタスクにおける堅牢性に改善の余地がある可能性が示唆されるが、詳細は要旨に記載されていない。

6. 次に読むべき論文は?

要旨で参照されている比較対象として、ReKep、Dream2Flow、π0.5が挙げられる。次に読むべき論文としては、これらのベースライン手法の詳細を報告した論文が適切である。

※ 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: Guangming Wang, Pengfei Ye, Qizhen Ying, Yixiong Jing, Yuxiang Ma, Haonan Chen, Haibing Wu, Olaf Wysocki, Molong Duan, Brian Sheil

分類: cs.RO

原文アブストラクト

Robots that follow open-ended language instructions need to connect semantic intent to visual scene understanding, geometric feasibility, object states, and physical interaction conditions. End-to-end Vision-Language-Action policies have improved cross-task generalization, but they typically map visual and language inputs directly to robot actions, leaving limited explicit structure for long-horizon decomposition, physical verification, and recovery. We present \method, a zero-shot hierarchical framework functionally inspired by the division of roles in the human brain, comprising visual perception and state inference, language grounding and action-sequence generation from a shared atomic action library, cost-based plan selection, and real-robot execution and verification. The framework grounds commands in explicit object states, composes reusable atomic actions into task-conditioned sequences, ranks alternative sequences by execution cost, and verifies intermediate physical outcomes from refreshed observations. In the evaluation, \method{} completes 10/10 clean board trials, 10/10 pick-and-place trials, and 4/5 pyramid stacking trials for both the flat and irregular initial-layout conditions; the corresponding mean task progress is $99.03\%$, $100.00\%$, and $96.67\%$ respectively. Across all evaluated conditions, \method{} achieves higher success rates than ReKep, Dream2Flow, and $π_{0.5}$ benchmarks, demonstrating the effectiveness of combining explicit object-state reasoning, compositional atomic actions, cost-based plan selection, and closed-loop execution verification.

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