Transformer Transformer、ロボット構造を自動生成する統合モデルを公開──追跡誤差を 73% 削減
タスクの動作デモからリンク・関節・モーターなどのロボット構造をゼロから生成・制御までこなす Diffusion Transformer 基盤。
リリース: 2001-01-01 · 読了 5 分記事の要約
1. 核心（What）
- ロボットの動作デモから、リンク・関節・モーターなどの構造とコントローラーを同時に生成する統一モデル「Transformer Transformer」を提案。
- MuJoCo Menagerieの 11 体のロボットから抽出した 28〜101 個の RoboTokens を用いて Diffusion Transformer を学習。
- ALOHA2バイマニュアルプラットフォームでの布の広げ作業の実機実験において、追跡誤差を 73%、最大関節速度を 30% 削減。
- 未学習の報酬関数に対しても、推論時の勾配誘導（Dynamics Self-Guidance）によりゼロショットで最適化が可能。
2. 影響（Why）
- ハードウェア設計の自動化コスト削減: 従来の試行錯誤によるロボット設計から、タスク動作のデモ入力のみで最適構造を生成するワークフローへ移行することで、ハードウェア試作イテレーションを大幅に短縮できる。
- 国内ロボティクス産業への影響: FA機器やサービスロボットの開発を手がける国内機械メーカー・SIerは、特定タスク専用の機構設計を自動探索する手法として、シミュレーション検証パイプラインへの導入検討価値がある。
3. 根拠・詳細（How）
- RoboTokensによる統一トークン化: ロボットの構造（時間不変）と動力学（時間変動）を 28〜101 個の共通語彙（RoboTokens）としてシーケンス化し、単一の Diffusion Transformer で処理。
- Dynamics Self-Guidanceによる勾配誘導: 予測された報酬関数の微分値を拡散プロセスに逆伝搬させ、分類器ガイド付きDDIM（DDIM11）により高報酬な構造へとサンプリングを収束させる。
4. 展望・課題（Next）
- スケーリング則の限界検証: LLMの長推論のような無限の性能向上のスケーリングではなく、約1分のサンプリング時間で最適化がプラトーに達する限界要因の分析。