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

  1. 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。
  2. 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。
  3. 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 msH100 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 Hzπ0 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)
R3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
RSayCan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
Rπ0.5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)
O10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