シミュレーション駆動パイプラインが巧緻ロボット向けトレーニングデータを最適化

モーションデザイン INSIDER

PhysicsGenは、ロボットアームやハンドのような機械的コンパニオンのために、数十回のVR実演をマシンあたり約3,000シミュレーションに増やせます。（画像：Alex Shipps/MIT CSAIL設計、研究者たちの写真使用）

ChatGPTやGeminiがあなたの熱い質問に専門家のような回答を与えるとき、その回答がいかに膨大な情報に依存しているか気づかないかもしれません。他の人気生成AIモデルと同様、これらのチャットボットは、数十億、時には数兆のデータポイントで訓練された基盤モデルと呼ばれるバックボーンシステムに依存しています。

同様に、エンジニアたちは、家庭や工場での物体のピックアップ、移動、配置といった新しいスキルを、さまざまなロボットに訓練する基盤モデルの構築を目指しています。問題は、ロボットシステム間で指導データを収集・移転するのが難しいことです。VRなどの技術を用いてハードウェアをステップバイステップでテレオペレートすることでシステムを教えることはできますが、時間がかかります。インターネットからの動画で訓練するのは、特定のロボット向けのステップバイステップ専門タスクウォークスルーを提供しないため、指導的ではありません。

MITのコンピュータサイエンス・人工知能研究所（CSAIL）とロボティクス・AI研究所から、「PhysicsGen」と呼ばれるシミュレーション駆動アプローチが登場。ロボットトレーニングデータをカスタマイズし、ロボットがタスクの最も効率的な動きを見つけられるようにします。このシステムは、数十回のVR実演をマシンあたり約3,000シミュレーションに増やせます。これらの高品質な指示は、ロボットアームやハンドのような機械的コンパニオンの正確な構成にマッピングされます。

PhysicsGenは、3ステップのプロセスで特定のロボットと条件に汎化するデータを作成します。まず、VRヘッドセットが人間がブロックなどの物体を手でどう操作するかを追跡。これらの相互作用は同時に3D物理シミュレータにマッピングされ、手のキーポイントが小さな球として視覚化され、ジェスチャーをミラーリングします。例えば、おもちゃを裏返すと、手のさまざまな部分を表す3D形状がその物体の仮想バージョンを回転させているのが見えます。

パイプラインは次に、これらのポイントを特定のマシン（ロボットアームなど）の3Dモデルに再マッピングし、システムがねじれたり回転したりする正確な「関節」に移動させます。最後に、PhysicsGenは軌道最適化（タスク完了のための最も効率的な動きを本質的にシミュレート）を使用し、ロボットが箱の再配置などを行う最良の方法を知るようにします。

各シミュレーションは、ロボットを物体の扱い方の潜在的な方法で歩ませる詳細なトレーニングデータポイントです。ポリシー（ロボットが従う行動計画）に実装されると、マシンはタスクへの多様なアプローチを持ち、1つが機能しなければ別の動きを試せます。

「我々は、人間が各マシンのために専門的な実演を再録画する必要なく、ロボット固有のデータを作成しています」と、MIT電気工学・コンピュータサイエンス博士課程学生、CSAILアフィリエイト、新プロジェクトを紹介する論文の筆頭著者であるLujie Yang氏。「自律的かつ効率的な方法でデータをスケールアップし、タスク指示をより幅広いマシンに有用なものにしています。」

ロボット向けの大量の指導的軌道生成は、最終的にエンジニアがロボットアームや巧緻なハンドのようなマシンを導く大規模データセット構築を支援する可能性があります。例えば、パイプラインは2本のロボットアームが倉庫アイテムをピックアップし、配送用の適切な箱に配置する協働を支援するかもしれません。システムはまた、カップを片付けるなどの家事で2台のロボットが協働するのをガイドするかもしれません。

PhysicsGenの可能性は、古いロボットや異なる環境向けに設計されたデータを、新しいマシン向けの有用な指示に変換することにも及びます。「特定のタイプのロボット向けに収集されたにもかかわらず、それらの従来データセットをより一般的に有用なものに復活させられます」とYang氏。PhysicsGenはわずか24回の人間実演を数千のシミュレーションに変え、デジタルと実世界の両方のロボットが物体を再配向するのを支援しました。

Yang氏と同僚たちはまず、浮遊するロボットハンドがブロックを目標位置に回転させる必要がある仮想実験でパイプラインをテスト。デジタルロボットは、PhysicsGenの大規模データセットで訓練することで81%の精度でタスクを実行し、人間実演のみから学習したベースラインから60%改善しました。

研究者たちはまた、PhysicsGenが仮想ロボットアームの協働による物体操作を改善できることも発見。システムが作成した追加トレーニングデータにより、2組のロボットが純粋な人間指導ベースラインより最大30%頻繁にタスクを成功させました。

実世界のロボットアームペアでの実験では、研究者たちはマシンが大きな箱を指定位置に裏返す協働をする際、同様の改善を観察。ロボットが意図した軌道から逸脱したり物体を誤って扱ったりしたとき、指導データのライブラリから代替軌道を参照することで、タスク中盤でリカバリできました。

上席著者のRuss Tedrake氏（MITのToyota教授、電気工学・コンピュータサイエンス、航空宇宙、機械工学）は、この模倣誘導データ生成技術が、人間実演の強みとロボットモーションプランニングアルゴリズムの力を組み合わせるものだと述べています。

「人間からのたった1回の実演でも、モーションプランニング問題をはるかに容易にできます」と、Toyota Research Instituteの大規模行動モデル担当シニアバイスプレジデント、CSAIL主任研究者も務めるTedrake氏。「将来、基盤モデルがこの情報を提供できるようになり、このタイプのデータ生成技術がそのモデルのポストトレーニングレシピの一種を提供するようになるかもしれません。」

近く、PhysicsGenは新たなフロンティアに拡張されるかもしれません：マシンが実行できるタスクの多様化。「PhysicsGenを使って、皿を片付けることしか訓練されていないロボットに水を注ぐことを教えたい、例えば」とYang氏。「我々のパイプラインは、慣れ親しんだタスクの動的に実行可能な動きを生成するだけでなく、人間が実演していないまったく新しいタスクを達成するためのビルディングブロックとなり得る、多様な物理的相互作用のライブラリを作成する潜在能力も持っています。」

大量の広く適用可能なトレーニングデータを作成することは、最終的にロボット用基盤モデルの構築を支援するかもしれませんが、MIT研究者たちはこれはやや遠い目標だと注意しています。CSAIL主導チームは、PhysicsGenがいかに膨大な非構造化リソース（インターネット動画など）をシミュレーションの種として活用できるかを調査しています。目標：日常の視覚コンテンツを豊富なロボット対応データに変換し、誰も明示的に教えていないタスクをマシンに実行させること。

Yang氏と同僚たちはまた、将来的に多様な形状と構成のロボットにとってPhysicsGenをさらに有用にすることも目指しています。それを実現するため、ロボットの関節がどう動くかを捉えた実ロボットの実演データセットを活用する計画です。

研究者たちはまた、AIシステムが試行錯誤で学ぶ強化学習を取り入れ、PhysicsGenが人間提供例を超えてデータセットを拡張できるようにする計画です。高度な知覚技術でパイプラインを拡張し、ロボットが環境を視覚的に知覚・解釈し、物理世界の複雑さを分析・適応できるようにすることも検討しています。

現時点では、PhysicsGenはAIがいかに異なるロボットに同カテゴリ（特に剛体）の物体操作を教えるのを支援できるかを示しています。パイプラインは間もなく、柔らかい物体（果物など）や変形可能な物体（粘土など）を扱う最良の方法を見つけるのをロボットに支援するかもしれませんが、それらの相互作用はまだシミュレートしにくいです。

出典