長期記憶に基づくロボット制御手法 MaP-WAM──RMBench で 83.3% の成功率を達成

論文概要

主流なロボットポリシーはマルコフ決定過程に基づく定式化を採用することが多いが、複雑な実世界の操作タスクの多くは本質的に非マルコフ的であり、現在観測を超える長期的な記憶を必要とする。既存の記憶機構は、言語要約や拡大する視覚ウィンドウ、あるいはその組み合わせに依存しており、その結果として細粒度の視覚的証拠が失われたり、履歴の網羅性と実行効率の間でトレードオフに直面したりする課題があった。本論文では、記憶依存型の世界・行動モデリングを記憶に基づく計画（memory-grounded planning）と計画条件付き実行（plan-conditioned execution）に分解し、長期的なマルチモーダルエピソードコンテキストを計画時の証拠として活用するフレームワーク「MaP-WAM」を提案する。RMBench において 83.3% の成功率を達成し、実ロボットタスクでは 78.0% の成功率を記録している。

新規性と貢献

本研究の主要な貢献は、メモリ依存型タスクにおける「履歴の網羅性」と「実行効率」のトレードオフを解消した点にある。エグゼキュータのコンテキスト長を固定長に維持しながら、計画時と実行時の双方で構造化アテンションによるキーバリュー（KV）キャッシュを有効化し、タスク履歴が増加しても推移遅延をほぼ一定に保つ設計を実現した。

提案手法の詳細

MaP-WAM は、記憶を言語指示と疎な視覚的コンテキストを含む完了セグメントレコードとして表現する。このエピソード記憶は、次のセグメントレベルの言語計画と対応する視覚ガイダンスからなるコンパクトな推論用計画へと変換される。World-Action-Progress（WAP）モデルは、アクションチャンクと対応する実行進捗を推論時に共同予測し、未知の持続時間にわたって各計画を実行する。さらに、計画と観測の整合性（plan-observation alignment）を通じて予測進捗を較正し、適応的なセグメント遷移と閉ループのコンテキスト更新を実現している。

評価・考察

評価実験では、RMBench において既存手法を上回る 83.3% の成功率を記録した。また、実ロボットを用いたタスクにおいても 78.0% の成功率を達成している。重要な点として、タスク履歴の長さに依存せず、エグゼキュータの推論レイテンシがほぼ一定に保たれることが示されており、長期的視野を必要とするマニピュレーションにおいてスケーラブルなアプローチであることを裏付けている。

応用例と今後の展望

本手法は、数分間にわたる長時間の部品組み立てや、家庭内での複雑な家事ロボットなど、非マルコフ的な環境下での長期的視野を伴うマニピュレーション作業への応用が期待される。日本の製造業・物流分野におけるピッキングや組み立て工程など、履歴依存の制御が求められるロボットシステムの実装において、推論レイテンシの予測可能性を高める実用的なインパクトを持つ。

結論

MaP-WAM は、長期マルチモーダルエピソード記憶をコンパクトな計画に変換して制御に活用する世界・行動モデリング手法である。エグゼキュータのコンテキスト長を固定化しつつ高精度な長期タスク遂行を可能にしており、ロボットポリシーの設計における新たな方向性を示している。

注釈

非マルコフ的: 現在の状態だけでなく、過去の履歴や一連の経緯が将来の状態遷移に影響を与える性質のこと。
アクションチャンク: ロボットが一定のまとまりとして同時に予測・実行する複数の連続した動作のこと。