オントロジー基盤の世界モデルによる物理AIシステムの故障診断とクローズドループ修復

Onto-EV-WMは、物理AIシステムにおける失敗診断と閉ループ修復のためのオントロジー基盤型インターフェースである。既存のEV-WMの上に層として追加され、候補品質を特徴量とイベントスコアで表現するEV-WMに対し、未達成のタスク述語、利用可能な修正メカニズムのルートラベル、修正後の受入結果を明示的に記録する。タスクローカルなTBoxでエンティティ型、述語シグネチャ、制約を定義し、ソース固有のグラウンディングで予測またはシミュレータ観測状態をタスクABoxにマッピングする。決定論的ルールが欠落した述語とその引数を保持し、ルートラベルを割り当てる。学習またはヒューリスティックな提案器はこのシンボリックインターフェースから分離され、ネイティブなタスク述語が受入を決定し、有界プロトコルが失敗検証の再試行を管理する。

先行研究のEV-WMは候補品質を特徴量とイベントスコアで表現するが、未達成のタスク述語、修正ルートのラベル、修正後の受入結果を明示的に記録しない。Onto-EV-WMはこれらの情報をオントロジーで構造化し、診断と修正を検証ゲート付きで行う点が新しい。また、世界モデルアーキテクチャを置き換えるのではなく、その上に層として追加するため、既存の提案器と統合しやすい。

手法の肝は、オントロジー基盤の診断と検証ゲート付き修正インターフェースである。タスクローカルなTBoxでエンティティ型、述語シグネチャ、制約を定義し、ソース固有のグラウンディングで状態をABoxに変換する。決定論的ルールが欠落した述語と引数を保持し、ルートラベルを割り当てる。学習またはヒューリスティックな提案器はシンボリックインターフェースから分離され、ネイティブなタスク述語が受入を決定し、有界プロトコルが再試行を管理する。

有効性は、PointMaze、LIBERO-Goal、LIBERO-Plusレジストリで検証された。PointMazeではEV-WMとOnto-EV-WMがともに94%の成功率で、平均最終状態距離はそれぞれ0.90573と0.61177であり、別途予算化された探索では100%成功率に達した。LIBERO-Goalでは、失敗タスク条件を型付きレコードで表現し、述語引数を保持し、宣言されたソース/ジョイント修正ルートと述語ゲート受入に関連付けた。完全な構成では、シード0で93.8%の修正ウィンドウ成功率、4つの評価サンプリングシードで94.05±0.30%を報告した。固定10,030タスクのLIBERO-Plusレジストリでは、8,526タスク（85.00%）に成功し、スイート別成功率はLIBERO-10で65.98%、LIBERO-Goalで91.39%、LIBERO-ObjectとLIBERO-Spatialで91.38%だった。

議論として、報告された数値はテストされたシミュレータプロトコル下での完全なオントロジー基盤構成の性能であり、オントロジーのみの因果的寄与は別途測定されていない。また、実ロボットでの回復は評価されていない。

要旨で参照されているEV-WM、および関連するオントロジー基盤の世界モデルや失敗診断の研究。具体的には、EV-WMの元論文や、オントロジーを用いたロボットタスク計画の研究が考えられる。