ロボットの道具使用、機能汎化を実現するFORGEを提案 キーポイント軌道推論で未知の道具にも対応

何が起きたか

arxiv.orgに2026年7月7日付で公開された論文「FORGE: Towards Functional Tool-Use Generalization via Keypoint Trajectory Reasoning」において、研究チームはロボットの道具使用における機能汎化を実現する手法FORGEを提案した。FORGEは、機能推論と行動実行を分離する2段階ポリシーで、アクションフリーなデータから汎化可能なキーポイント軌道を予測し、限られたデモンストレーションでロボットの行動に接地する。7種類の道具を使う打撃機能ベンチマークで、未見の道具に対してシミュレーションと実世界の両方で最先端手法を上回り、平均成功率で2倍以上の改善を達成した。

詳細

論文は、人間が本や石、靴などを釘打ちに使えるのに対し、特定の道具で訓練されたロボットは同じ機能を新しい道具に転移できないという問題を「機能汎化」として形式化している。研究チームは、アフォーダンス画像、人間のビデオプロンプト、2Dキーポイント軌道などの中間表現を探索し、キーポイント軌道が機能表現力と行動接地性のバランスに最も優れるとしている。FORGEは、アクションフリーなデータから汎化可能なキーポイント軌道を予測する段階と、限られたデモンストレーションでロボットの行動に接地する段階に分かれる。

Key Facts

本紙の見方

今回の研究は、ロボットの道具使用における「機能汎化」という新たな課題を形式化し、その解決策としてキーポイント軌道推論に基づく2段階ポリシーを提案した点で新規性がある。従来のロボット学習は、特定の道具やタスクに特化したモデルが多く、未知の道具への転移は困難だった。本研究は、道具の視覚的な類似性ではなく、機能的な意図に着目し、アクションフリーなデータから汎化可能な中間表現を学習することで、この問題に取り組んでいる。 特に、中間表現の比較において、キーポイント軌道が機能表現力と行動接地性のバランスに優れるとしている点は、今後のロボット学習の設計指針として重要である。アフォーダンス画像やビデオプロンプトは機能の表現には優れるが、行動への接地が難しい一方、キーポイント軌道は行動に直接結びつけやすい。この知見は、ロボットの模倣学習や模倣学習の分野に影響を与える可能性がある。 業界構造への含意としては、ロボットの汎用性向上に寄与する点が挙げられる。特に、物流や製造現場では、多種多様な道具や部品を扱うため、特定の道具に限定されない学習手法は実用性が高い。また、シミュレーションと実世界の両方で性能を確認している点は、実用化への道筋を示している。 未確定の論点としては、提案手法が打撃機能に限定されている点が挙げられる。他の機能（把持、切断、押すなど）への汎化が可能かどうかは、今後の研究を待つ必要がある。また、キーポイント軌道の予測に必要なデータ量や、実世界でのノイズに対する頑健性も検証が必要である。

なぜ重要か

ロボットが未知の道具を扱えるようになることは、産業現場や家庭でのロボット活用の幅を広げる。本研究は、機能汎化という新たな視点を提供し、ロボット学習の効率化と汎用性向上に寄与する可能性がある。