実行前に再考せよ：ワールドアクションモデルのための適応的実行

World Action Models (WAMs) は将来の行動と環境の進化を同時に予測するモデルである。各推論時に WAM は行動のチャンクを生成し、ロボットは固定プレフィックスを実行してから再計画する。本論文では、この固定実行ホライズンが実行ダイナミクスに適合していないと主張し、TempoWAM (Timing Execution by Monitoring Progress Online) を提案する。TempoWAM は WAM のための軽量なプラグアンドプレイ実行スキームであり、Recurrent Progress Monitor が現在の観測、タスク指示、残りの行動、実行履歴からタスクの進捗を推定し、Adaptive Execution Protocol がチャンクがタスクを進めているかを評価して再計画の必要性を判断する。

従来の WAM は固定実行ホライズンを使用しており、チャンクの信頼性はタスク段階によって異なるため、再計画のタイミングはステップ数ではなく累積実行の結果に依存すべきであるという点が新しい。TempoWAM は進捗をオンラインで監視し、適応的に再計画を決定することで、固定ホライズンの非効率性を改善する。また、トレーニングとデプロイのギャップを埋めるために、タスク依存のキャリブレーションファクターをオンライン適応で導入している点も貢献である。

TempoWAM は Recurrent Progress Monitor と Adaptive Execution Protocol から構成される。Recurrent Progress Monitor は現在の観察、タスク指示、残りの行動、実行履歴を入力としてタスク進捗を推定する。Adaptive Execution Protocol は推定された進捗に基づいて、チャンクがタスクを進めているかどうかを評価し、再計画が必要かどうかを決定する。さらに、トレーニングとデプロイのギャップを補正するために、タスク依存のキャリブレーションファクターを導入し、オンラインで適応させる。

LIBERO、RoboTwin、および実世界のタスクで実験を行い、TempoWAM が WAM 実行の効率と成功率のトレードオフを一貫して改善することを示した。実ロボットでは、簡単なタスクで WAM の推論回数を 26.9% 削減しつつ成功率を維持し、難しいタスクでは成功率を 13.3 ポイント向上させた。

要旨からは、TempoWAM の限界や潜在的な欠点についての議論は不明である。ただし、キャリブレーションファクターのオンライン適応がタスク依存であるため、タスクの変化に対してどの程度ロバストか、また、進捗モニターの精度が実行決定に与える影響などが議論の余地があると考えられる。

要旨で参照されている研究は明示されていないが、関連する分野として、World Action Models の基盤となる研究や、タスク進捗監視、適応的実行計画に関する研究が考えられる。具体的には、Model Predictive Control (MPC) や Receding Horizon Control などの関連手法、また、ロボット学習における Hierarchical Reinforcement Learning や Option Framework などが関連する。