ETA: 身体性タスクのための新しいエージェントパラダイム

本論文は、ロボットの「ChatGPT moment」を目指し、新しいエージェントパラダイムであるEmbodied Task Agent (ETA)を提案している。ETAは、Planner、Interface、Worldの3つのコンポーネントからなるループで構成され、ロボットがタスクを実行する際に、プランナーがツールを選択し、インターフェースが実行を制御し、ワールドが結果と新しい観測を返す。このループにより、エージェントは結果を検証し、計画を適応させ、成功・失敗の経験を再利用可能な知識として蓄積できる。また、オープンソース実装であるOpenETAを公開しており、交換可能なPlanner、構成可能なToolsとSkills、監査可能なメモリ、再生可能な軌跡、シミュレーションと実ロボットの共通インターフェースを提供する。

従来のエンドツーエンドの観測から行動へのマッピングに依存するembodiedシステムと比較して、ETAはモジュール化されたループ構造を採用し、タスク実行の制御性と検査可能性を向上させている。従来手法はロボットの訓練データのカバレッジに汎化が依存し、長期的なタスク実行の制御が困難だったが、ETAはPlannerとInterfaceを分離し、Worldからのフィードバックを利用することで、適応的な計画と経験の蓄積を可能にしている。また、OpenETAはプラグインとして既存のエージェント（例：Codex）に統合でき、軽量なインターフェース（observe, mark_point, move_to）を提供する点が新しい。

技術の肝は、エージェントを中心としたループ構造にある。具体的には、Plannerが一度に1つのTool呼び出しを選択し、Interfaceが実行を制御し、Worldが結果と新しい観測を返す。このループにより、エージェントは結果を検証し、計画を適応させ、成功・失敗のインタラクションを再利用可能な経験に変換する。OpenETAは、交換可能なPlanner、構成可能なToolsとSkills、監査可能なメモリ、再生可能な軌跡、シミュレーションと実ロボットの共通インターフェースを提供する。また、Codexのような既存のエージェントに対しては、軽量なプラグインとして動作し、observe、mark_point、move_toの3つの機能のみを公開する。

要旨からは、具体的な検証方法は不明である。ただし、OpenETAの提供により、シミュレーションと実ロボットの共通インターフェースを利用した評価が可能であることが示唆されている。また、Codexをプラグインとして統合できることから、既存のエージェントとの比較評価が想定されるが、詳細な実験結果やデータセットは要旨に記載されていない。

議論としては、ETAのパラダイムが本当にロボットのChatGPT momentを実現できるかどうかが挙げられる。また、Plannerの選択やToolの構成がタスクの複雑さにどう影響するか、経験の蓄積がどのように汎化に寄与するかなどが議論の対象となる。さらに、OpenETAの実装が実際のロボット環境でどの程度有効か、既存のエンドツーエンド手法と比較してどの程度優れているかは、今後の検証が必要である。要旨からは、これらの詳細な議論は不明である。

要旨で参照されている研究は、特に明示されていないが、関連する分野として、エンドツーエンドのembodied AI、ロボット学習、プランニングと実行の統合、大規模言語モデルを利用したエージェント（例：Codex）などが挙げられる。次に読むべき論文としては、これらの分野の代表的な研究が考えられるが、具体的なタイトルは要旨からは不明である。