MAIA：視覚、行動、力覚の世界モデルで接触作業の異常を事前に予告
計画動作がもたらす映像と力を予測し、接触異常を事前に知らせる手法である。プレプリントでは実機18タスクの成功率が52.6%から61.5%に向上した。
行動チャンクを実行する前に、その動作が詰まりや滑り、接触喪失といった異常な相互作用につながるかをロボットが判断できるか。
最新の操作方策は数十ステップ先まで計画するが、監視は依然として事後対応で、ずれが見えてから警報が出るため介入の余地が乏しい。カメラは形状を捉えても接触力や摩擦、抵抗は間接的にしか示さず、計画動作は意図した動きを表すだけで対象物の反力は分からない。既存の失敗データセットはエピソード単位の成否が中心で力信号もほとんどなく、異常の開始時点を学習、評価する手段がなかった。
分布外検知（PCA-KMeans、LogpZO）は速度や姿勢の無害な揺らぎまで異常とみなす。SAFE-LSTMはVLA内部の特徴で失敗を学習するが、本論文の検証では既知タスク0.724から未知タスク0.495へバランス精度が落ちた。進捗報酬モデル（Robo-Dopamine、Robometer）は誤警報の多い間接信号にとどまり、世界モデル型監視のWCMは1ステップ先しか予測しない。
MAIAはGE-Base映像世界モデルに行動と力覚の経路を加えた。将来の行動をトークン化して手首力センサーの直近値をクロスアテンションで参照させ、ゲート付きアダプターで映像Transformerに注入する。正常実行のみで次の50制御ステップ（30Hzで約1.7秒）の映像と力を予測するよう学習し、その出力に軽量な異常ヘッドを載せて窓内の異常発生確率と占有率を推定する。研究チームはFranka Research 3、ATI製6軸力センサー、RealSenseカメラ3台で18タスク2,852軌跡を収録した実データセットCRIAも公開した。フレーム単位の異常ラベル付きで、1,817軌跡が異常を含む。
既知13タスクでMAIAはAUPRC 0.738、バランス精度0.765、事前警告率0.464、警告先行ステップ中央値28.0を記録した。最良の比較手法WCMは0.669、0.702、0.242、17.7ステップだった。未知5タスクでもAUPRC 0.728、精度0.710、先行25.1ステップを保った。力入力を外すと平均精度は0.765から0.689に低下した。新タスクの軌跡25本で同時適応すると0.615から0.762に上がった。実機ではpi0.5の候補8案から異常確率が最も低いものを選び、18タスク（手法ごとに各30試行）の成功率が52.6%から61.5%となった。拭き取りは46.7%から66.7%、経路拘束タスクは48.9%から62.2%に伸び、はめ込みは63.3%で変わらなかった。
1研究室が1台のロボットと1種の力センサーで行ったプレプリントで、他機体や他センサーへの転移は未検証と著者自身が認めている。予測窓が固定のため緩やかに進む異常を見逃す可能性があり、警告はしても原因診断や復旧は行わない。MEKAWIREとしては、計画ステップごとに候補8案を映像世界モデルで評価する計算量と遅延が示されていない点が、産業用コントローラーへの搭載可否を左右するとみる。異常ラベルは人手による付与である。
力覚に基づく失敗予測は、詰まり一つでライン停止につながる組立、研磨、ケーブル配線、キッティングで価値が大きい。日本では力覚センサーを持つファナックや安川電機の組立用途、ワコーテックなどのセンサーメーカーに関わるテーマである。基盤モデル方策を再学習せず候補を並べ替えるだけの構造なので、非公開モデルを使うシステムインテグレーターが品質と安全の層を足す形で1〜3年内に応用が見込める。現時点で製品段階ではない。
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。