ヒューマノイド/サービスロボット2026/8/18arXiv:2608.17584v1

HODAgent：物理世界での人間との対話のためのオンデマンド・応答型ヒューマノイド

HODAgent: Towards On-Demand, Responsive Humanoids for Physical World Human Interaction

サービス現場のヒューマノイドロボット向けに、状況に応じた意図理解、応答実行、タスク修正、結果検証を統合したSystem-2エージェントを提案し、シミュレーションと実機で有効性を実証した。

詳しい要約

1. どんなもの？

HODAgentは、サービス環境におけるヒューマノイドロボットのためのSystem-2具現化エージェントである。状況に応じた意図理解、応答的実行、タスク修正、結果検証に対処する。半二重アーキテクチャを採用し、Env-Interactor、Planner、Executor、階層的Memoryを統合することで、サービスエピソード中の対話、計画、タスク状態の一貫性を維持する。これにより、動作中の新規要求の処理、進行状況の保持、アクションの修正、実行結果に基づくクロージャの接地が可能になる。共有インターフェースによりシミュレーションと物理ロボット（Unitree G1）を接続し、プラットフォーム固有の制御を分離する。

2. 先行研究と比べてどこがすごい？

先行研究と比較して、HODAgentはSystem-2エージェントとして、単なるタスク実行だけでなく、対話とタスク状態を統合的に管理する点が優れている。特に、動作中に新しい要求を処理できる半二重アーキテクチャと、階層的Memoryによる進行状況の保持とタスク修正の能力が特徴的である。また、シミュレーションと実機の両方で有効性を示し、複数のembodied benchmarkでベースラインを上回る性能を達成している。

3. 技術・手法の肝は？

技術の肝は、半二重アーキテクチャと階層的Memoryの統合にある。Env-Interactorが環境と対話し、Plannerがタスク計画を担当し、Executorが動作を実行する。階層的Memoryは、対話履歴、タスク状態、環境情報を階層的に保持し、エピソード全体の一貫性を維持する。また、共有インターフェースにより、シミュレーションと実機の制御を分離し、プラットフォーム非依存の設計を実現している。

4. どうやって有効だと検証した？

有効性は、インタラクティブシミュレーション（164ケース）で、2つのVLMバックボーンを用いてJoint Success 84.8%と91.5%を達成し、ベースラインを9.8ポイントと18.9ポイント上回った。物理ロボットでは、atomicタスクで92%、compositeタスクで72%、完全なタスクで63.3%の成功率を達成した。さらに、複数のembodied benchmarkでベースラインを0.7〜9.0ポイント改善した。

5. 議論はある？

議論としては、要旨からは、提案手法がシミュレーションと実機の両方で有効であることが示されたが、実機での完全なタスク成功率が63.3%と、シミュレーションに比べて低い点が挙げられる。また、VLMバックボーンによる性能差（84.8% vs 91.5%）があり、バックボーンの選択が性能に影響することが示唆される。さらに、半二重アーキテクチャの限界や、より複雑なタスクへの拡張性については要旨からは不明である。

6. 次に読むべき論文は？

次に読むべき論文は、要旨で参照されているVLM（Vision-Language Model）バックボーンに関する研究や、embodied benchmarkの詳細、また、System-2エージェントの関連研究（例えば、LLM-based planningやmemory-augmented agents）が考えられる。具体的には、VLMの性能比較や、ヒューマノイドロボットのタスク計画に関する既存研究が挙げられる。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Wang Warren Chen, Jiahao Zhang, Zhenjiang Li, Mingxu Wang, Lei Yi, Yuchen Kang, Shuo Sun, Ziping Chen, Jie Chen

分類: cs.RO

原文アブストラクト

We propose HODAgent, a System-2 embodied agent for humanoid robots in service settings, addressing situated intent, responsive execution, task revision, and outcome verification. Its semi-duplex architecture integrates an Env-Interactor, Planner, Executor, and hierarchical Memory to maintain coherent interaction, planning, and task state during service episodes. This allows handling new requests during motion, retaining progress, revising actions, and grounding closure in execution outcomes. A shared interface connects simulation and physical robots (Unitree G1), isolating platform-specific control. In an interactive simulation with 164 cases, HODAgent achieves 84.8% and 91.5% Joint Success under two VLM backbones, outperforming baselines by 9.8 and 18.9 points. On physical robots, pass rates are 92% (atomic), 72% (composite), and 63.3% (complete tasks). On multiple embodied benchmarks, it improves over baselines by 0.7-9.0 points. Results show a unified System-2 agent enables adaptive humanoid service across simulation and reality.

arXivで原文を読む →arXiv概要ページ

← 論文一覧