PhasePlan、行動チャンク内の将来フェーズ順序を計画しπ0.5の関節誤差を22.5%削減

ロボット脳モデルが固定長行動チャンクを生成する際に、タスクフェーズの順序と遷移位置を保持した将来計画を組み込むことで行動予測を改善できるか。

既存のVLAポリシーは複数のタスクフェーズにまたがる固定長行動チャンクを予測するため、フェーズ遷移のタイミングが曖昧になり、頻出する動作パターンが最適化されやすい。特にコンベア作業では待機と搬送が長く、解放や遷移が短いため、平均的な動作誤差が低くても遷移タイミングがずれると閉ループ実行に失敗する可能性がある。

従来はBehaviorVLA、ProgressVLA、GuidedVLAなどがタスク進捗やフェーズ情報を行動デコーディングに取り入れていた。GuidedVLAは未来スキル分布を集約してチャンク内のフェーズ比率を与えるが、Wait,Wait,Act,ActとAct,Act,Wait,Waitのような同じ比率でも順序が異なるケースを区別できず、各未来位置に対応する遷移位置を明示的に保持しない。

PhasePlanはH=16の各未来行動位置に独立したプランナクエリを割り当て、頭部RGB、手首RGB、固有受容状態、言語指示から位置対応のフェーズ分布を予測する。予測した文脈化計画表現と位相分布を融合し、対応する行動専門家の特徴をFiLM変調する。学習は2段階で、まずプランナを学習して凍結し、その後行動専門家と条件付け経路のみを適応する。π0.5とAcrossWAM1.0に実装した。

コンベア操作タスクの検証セット3,584ウィンドウ（うち1,613がフェーズ境界をまたぐ）と3シードの平均で、PhasePlanは全体関節MAE 0.034605 radを達成し、オリジナルπ0.5の0.044653 radから22.5%減、未来スキルヒストグラムの0.039619 radから12.7%減だった。クロスフェーズ関節MAEは0.041318 radで、オリジナル0.051292 rad、未来スキル0.046721 radより低い。手先コマンド精度は93.162%で、オリジナル90.394%、未来スキル91.864%を上回った。プランナの位置別将来フェーズ精度は約92.5%、フェーズ遷移タイプ精度は約89%だった。RGBを除去するとマクロF1が約43%、シャッフルすると約36%に低下し、完全入力では91%超だった。MuJoCoでの記録画像を使ったハイブリッド評価と、π0.5およびAcrossWAM1.0の実機ロボットによる把持から配置までの定性的動作を報告した。

著者は地上真理フェーズオラクルとの差がRelease関連の手先予測で最も大きいと述べている。定量的評価はコンベア操作タスク1種のオフライン指標と限られた実機実証にとどまり、把持成功率や連続運転時間などの実環境定量指標は報告されていない。AcrossWAM1.0は定性評価のみで、π0.5実装の詳細な定量評価が中心である。コードやデータの公開有無は論文では報告されていない。