JustRUA、実行基盤の改善でRoboDojoの評価点を50.3に
プレプリントJustRUAは、学習済み制御方策を介さずGPT-6 Astraでシミュレーション上のロボットアームを操作する実行基盤を検証した。RoboDojoの42課題を含む111エピソードで、評価点は公式L3 harnessの29.7から50.3に上昇した。観測履歴、動作を中断する間隔、空間情報の与え方が、汎用モデルの操作性能を左右することを示した。
実行基盤、行動インターフェース、経験の再利用、シーンの幾何情報のうち、どの変更が共通の評価条件でGPT-6 Astraのロボット制御を改善するかが研究の問いである。
作業手順が妥当でも、物体のない場所をつかむ、配置位置を誤る、不安定な動作が次の観測まで続くといった失敗が生じる。既存のrobot-use agentは複数の構成要素や評価条件を同時に変更することが多く、性能向上の原因を切り分けにくかった。
公式L3 Inspect EEFは直近2回の観測画像だけを残し、絶対座標の手先目標に対してCuRoboが生成した動作計画を最後まで実行する。RoboDawn、RoboHarness、ORAなどは実演や知覚機能、別のインターフェースを追加するが、評価条件が異なる。ロボットデータから制御を学ぶVLAに対し、本研究は学習済み方策を途中に置かない固定インターフェースを対象とした。
JustRUAはエピソード内の画像、行動、フィードバックをCodexセッションに保持し、各動作を最大20 control stepsで中断する。元のCuRoboとワールド座標系の絶対目標は維持した。観測には簡潔なグリッパー測定値、RGBだけからDepth Proが推定した未補正の深度、カメラのキャリブレーション情報を加えた。モデルはコードを実行し、画像の画素から3D目標座標を計算できる。最終構成では100回の意思決定上限も撤廃し、ベンチマークの500 control steps制限は残した。継承した課題説明以外に課題別調整を加えず、学習済み方策やエピソード間の経験も用いない。著者らはコード、評価セット、リプレイを公開したとしている。
評価点は完全成功だけでなく途中の達成度も含む0から100の尺度である。42課題、111エピソードのシミュレーションで、全履歴と20-step capの構成は38.0、簡潔な測定値の追加で39.8、予測深度の追加で42.4となった。座標計算コードと意思決定上限の撤廃を併用した最終構成は50.3で、同じ評価セットにおける公式基盤の29.7を20.6ポイント上回り、最終成功率は43.3%だった。公式基盤が別途、完全な評価手順の2,100エピソードで得た点数は29.0である。同じ初回42エピソードでは、予測深度の追加により空振りの把持が簡潔な測定値だけの場合の41回から16回に減った。キャッシュ可能な入力をすべてキャッシュ料金で計算した初回エピソード当たりの費用下限は、標準テスト環境が4.94、予測深度の構成が7.74、JustRUAが$12.53だった。コードと意思決定予算拡大の効果は分離していない。
実験は単一のモデルとベンチマークによるシミュレーションに限られ、各構成の評価セット実行は1回である。構成要素を順に追加する比較であり、全組み合わせは検証していない。評価セットは著者らの標準テスト環境の結果から選ばれ、配置の分布も公式手順と異なるため、ランキングの点数とは扱えない。最終段階ではコード実行と意思決定予算拡大が同時に導入された。行動の集計は映像とログで確認できた件数の下限である。経験再利用は評価対象の課題を使い、自己改善も5ラウンド、各課題1回の練習にとどまった。残る失敗にはアームに適さない計画、衝突、把持の滑りがある。費用は入力キャッシュを前提とする。実機性能と運用時の遅延は論文では報告されていない。
ロボットアームメーカーや操作ソフトウェア企業は、現在のシミュレーション開発で観測履歴の保持、フィードバックなしで動く区間の短縮、空間情報の効率的な入力を検討できる。ハードウェア製品への適用には、実機検証、信頼できるセンシング、衝突への対応、許容できる推論費用と遅延の確認が必要である。商用導入の時期は論文では報告されていない。
この論文はライセンス上、全文を転載できないため、要約と原文へのリンクのみを掲載しています。