Physical AI Lab // 第 3.4 話 // 1枚まとめ
長いタスクはどう崩れずにすむ?
記憶、計画、複数方策のルーティング:長い仕事を扱える単位に分ける
三つのポイント
- 長いタスクの難しさは誤差の蓄積:一歩を当てる確率は高くても、その確率は何十歩も掛け合わさるので、全部を当てられる確率は下がり、ずれもどんどん大きくなる。単一の方策では耐えきれない。
- 階層化で「考える」と「動く」を切り離す:ゆっくりした上位層(GR00T のシステム二がタスクを分解)が大局を考え、速い下位層がリアルタイムで動作を出す。AWS が H100・ODE 1 ステップで π0 を実測:50 ステップのまとまりは約 1 秒分の動作で、生成は 200 ミリ秒未満、約 5 Hz で再計画できる(O)。この条件での π0 の数字で、速い層一般の性質ではない。
- オーケストレーターは複数方策のルーティングと記憶を受け持つ:SayCan はスキルの価値関数、Hi Robot は VLM に直接考えさせる(R)。π0.5 はまず意味のあるサブタスクを予測。評価はステップごととチェーン全体の成功率を分けて見る。
出典:O 公式・一次 · R 学術文献 · M メディア・二次
| R | 二つのシステム | GR00T N1 はデュアルシステム構成:視覚・言語モジュール(システム二)が環境を理解し、拡散モジュール(システム一)が動作をリアルタイムで生成 |
| O | システム二 | GR00T N1.7 のシステム二(Cosmos-Reason2-2B を骨格に使用)こそが、タスクの分解と多段階の推論を行う場所 |
| O | < 200 ms | H100 で ODE を 1 ステップだけ解く場合、π0 は 50 ステップの動作のまとまり全体を 200 ミリ秒未満で生成(AWS の実測) |
| O | ≈5 Hz | π0 は一まとまりを 200 ミリ秒未満で計算でき、約 5 Hz で再計画できる。各まとまりは約 1 秒分の動作(H100) |
| R | 3種類のロボット | Hi Robot は階層型 VLM:上位層がまず次の一歩を考え、下位層が実行。単腕・双腕・移動双腕の三種類のロボットで検証 |
| R | SayCan | 論文によると:言語モデルが長いタスクの手順の知識を出し、スキルの価値関数がその一歩を今の環境でできるかを判断 |
| R | π0.5 | 論文によると:意味的なサブタスクを先に予測してから動作を出す。複数のデータを混ぜて学習し、初めての家でキッチンや寝室を片づける(著者の自己報告) |
| O | 10種類 | LIBERO-10 は 10 種類のタスクを含む卓上操作のシミュレーションのベンチマーク。今回の付属実験は CPU 上の二次元の代役で、LIBERO はこの環境では未実行 |
さらに読む
- GR00T N1:デュアルシステムの VLA(arXiv 2503.14734)
https://arxiv.org/abs/2503.14734 - Hi Robot:階層型 VLA による自由な指示への追従(arXiv 2502.19417)
https://arxiv.org/abs/2502.19417 - π0.5:オープンワールドへの汎化をもつ VLA(arXiv 2504.16054)
https://arxiv.org/abs/2504.16054 - SayCan:ロボットの実行可能性で言語モデルを接地する(arXiv 2204.01691)
https://arxiv.org/abs/2204.01691