カイ・ルー (Kai Lu) 氏らは11月19日(現地時間)、学術論文公開サイトarXiv cs.ROで「PGX (Physically Grounded Execution)」と題する論文を発表した。このフレームワークは、既存のビジョン・言語・アクション (VLA) モデルが直面していた、ロボットの移動と操作を組み合わせた長期的ロコ・マニピュレーションタスクの課題を解決する。PGXは、一時的かつ高精度な低レベル制御を訓練不要な古典的コンポーネントに任せることで、VLAモデルがより高次の段階ごとのスキルダイナミクスに集中できる構造を提供する。
既存のVLA (vision-language-action) モデルは、多様な個別の操作スキルを実行する点で進歩を遂げた。しかし、ロボットの歩行(ロコモーション)と物体操作(マニピュレーション)を複合させる長期的ロコ・マニピュレーションタスクでは、複雑な環境下での実行に課題があった。これらのタスクは、時間構造、多様なスキル、高精度な実行が単一モデル内で密接に結合しているため、モデル訓練が困難で、頑健性や汎用性に課題があった。
こうした背景から、カイ・ルー (Kai Lu) 氏らが提案するPGX (Physically Grounded Execution)は、長期的ロコ・マニピュレーションを効果的に実行するための新しいフレームワークである。PGXは、タスクを以下の三つの協調的な層に分解することで、VLAモデルがその得意とするスキル学習に集中できるよう設計されている。
-
述語ベースのステートマシン: この最上位層は、タスク全体の進行を管理する。物理的な状態を表す述語(例:「ロボットが物体に接触している」「ターゲット地点に到達した」など)に基づいて、タスクのフェーズ遷移を調整する。予期せぬ事態が発生した際には回復プロセスをトリガーし、複雑な環境でのナビゲーションや一時的な待機行動も調整することで、堅牢なタスク実行フローを実現する。
-
VLAスキル: 中間層に位置するこのコンポーネントは、アクティブな操作フェーズで具体的な動作を実行する。VLAモデルは、この層において、フラットなエンドツーエンドモデルまたは段階的に訓練されたモデルとして、タスク固有のアクションに特化して機能する。時間的・精度的な低レベル制御はPGXの他の層にオフロードされるため、VLAモデルは高レベルなスキルダイナミクスの学習に集中でき、その性能を最大限に引き出すことが可能になる。
-
世界座標ロック (WCL): 最下層のWCLは、物理的な世界における空間的一貫性を維持するためのコンポーネントである。具体的には、ロボットの基地局が安定した位置を保つように維持し、操作対象となるオブジェクトの相対位置を正確に追跡する。また、世界に固定された接触ターゲット(例: ドアノブやスイッチ)に対して、ロボットが正確に接触できるように誘導することで、高精度なマニピュレーションをサポートする。これにより、ロボットは複雑な環境でも安定して行動できる。
研究チームは、このPGXフレームワークの有効性を検証するため、Unitree G1ヒューマノイドロボットを用いた広範な実験を実施した。実験は積み重ねられた箱の上から物体を降ろす、壁掛けフックからボトルを拾い別の場所に置く、「ドアを開けて通り抜ける」といった、日常的かつ複数のステップと高精度な操作を要する3つのシミュレーションタスクと1つの実世界タスクで構成された。これらの実験を通じて、PGXが適用されたヒューマノイドロボットは、従来のアプローチと比較してタスクの段階進行が大幅に改善され、総合的なタスク成功率も顕著に向上することが示された。
参考: arXiv cs.RO (アーカイブ) — 2026年11月20日 03:52 (JST)
原文ハイライト"Physically Grounded Execution for Long-Horizon Humanoid Loco-Manipulation"