複数タスク向け拡散方策「SR-DP」、RoboTwin 6タスクで成功率68.4％

何が起きたか

arXiv掲載論文は、複数タスクのロボット操作向け拡散方策「SR-DP」を提案した。RoboTwinの6タスクで平均成功率68.4％となり、複数タスク方式のVO-DPを21.8ポイント、最も高い単一タスク別ベースラインを3.8ポイント上回った。実機の両腕操作4タスクでは、Stage 2の平均成功率は43.0％で、Stage 1から19.0ポイント改善した。

詳細

SR-DPは、凍結したVGGTエンコーダーと空間圧縮アダプターで、複数タスクが同じ作業空間を共有する場合にタスクを識別する、マルチスケールの意味・幾何トークンを生成する。デノイザーは標準的な拡散方策として学習した後、選択した線形層を特異値分解（SVD）し、直交するランク1エキスパートの凍結基底に分解する。スペクトルルーティングとHouseholder入力回転で適応させる方式だ。 論文は、畳み込みエンコーダーの視覚条件がタスク識別に不十分であることと、異なる行動モードの勾配が共有デノイザーの密なパラメーターを同じ方向に更新し、干渉することを課題として挙げる。実機評価は両腕操作4タスクを対象とし、Stage 2の平均成功率を報告している。

Key Facts

本紙の見方

今回の技術的な焦点は、複数タスクを一つの方策にまとめること自体ではなく、視覚入力によるタスク識別と、共有デノイザーに生じる勾配干渉を別々の仕組みで扱う点にある。RoboTwinでは単一タスク別の最良ベースラインも比較対象に含め、SR-DPがそれを3.8ポイント上回った。論文の結果に限れば、タスクを分けた専門モデルに対する複数タスクモデルの性能不足を、学習方式の工夫で縮められる可能性を示す。ただし、成功率の比較は論文記載の6タスクに基づくもので、他の作業や環境で同じ関係が成立するとは限らない。 設計上は、共有作業空間でタスクを見分ける視覚表現をVGGTエンコーダーとアダプターに担わせ、行動生成側では選択した線形層を直交ランク1エキスパートに分解する。つまり、入力側の識別性と出力側のパラメーター更新の干渉を、異なる段階で抑える構成と読める。これは、単一の共有モデルを大きくするだけで複数タスクを扱う設計とは異なり、共有部分のどこを固定し、どこをタスクに応じて適応させるかが比較の軸になることを示している。一方、論文要旨からは、各エキスパートへのルーティングがタスク数やタスク構成の変化にどう対応するかまでは評価範囲を確認できない。 実機の両腕操作4タスクでStage 2がStage 1を19.0ポイント上回った点は、シミュレーション上のRoboTwin結果とは別に見る必要がある。実機平均は43.0％であり、改善幅だけで実用時の成功水準や作業の安定性を判断することはできない。また、要旨には各タスクの個別成績、試行数、失敗の内訳、タスク間で共有したデモの条件は示されていない。次に検証すべきなのは、タスク数や作業環境が変わった際の性能、専門モデルとの計算・学習コストの差、実機での再現性である。これらが分からない段階では、平均成功率の優位を一般的なロボット操作能力の向上と同一視すべきではない。

なぜ重要か

論文の比較では、SR-DPはRoboTwinの6タスクで複数タスク方式だけでなく最良の単一タスク別ベースラインも上回り、複数タスク化による性能低下を抑える設計の有効性を示した。実機の両腕操作でもStage 2の改善が報告されたが、平均成功率は43.0％であり、対象タスク外への適用や実運用時の安定性はこの結果だけでは判断できない。