PhysCaP: 物理情報に基づく探索によるコード駆動ポリシーエージェントの接地

PhysCaPは、ロボット操作における能動的知覚のための物理情報を組み込んだCode-as-Policyエージェントである。視覚言語行動ポリシーはデモの模倣に優れるが、受動的観察に依存し、操作に重要な潜在的な物理特性を推論できない。PhysCaPは、code-as-policyフレームワークに物理情報に基づく探索層を追加し、相互作用を通じて明示的な情報探索を可能にする。追加センサーなしでロボットの自己受容感覚から物体の質量と剛性を推定するトレーニング不要の物理特性抽出モジュールを導入する。探索コストと情報効率のバランスを取るため、Planner（いつ探索し、いつ停止するかを決定）とPrioritizer（非現実的な相互作用をフィルタリングし、ヒューリスティックな優先度スコアで残りをランク付け）のデュアルエージェント設計を採用する。

既存の受動的ベースラインは物理特性が隠されている場合に失敗し、ナイーブなインタラクティブベースラインは過剰探索する。PhysCaPは、物理特性の明示的な探索を可能にし、探索コストを抑えつつ効率的な情報取得を実現する点で優れている。また、トレーニング不要の物理特性抽出モジュールにより、追加センサーや学習を必要とせずに質量と剛性を推定できる点が新しい。

手法の肝は、物理情報に基づく探索層とデュアルエージェント設計である。具体的には、トレーニング不要の物理特性抽出モジュールがロボットの自己受容感覚から物体の質量と剛性を推定する。Plannerは探索のタイミングと停止を決定し、Prioritizerは非現実的な相互作用を除外し、ヒューリスティックな優先度スコアで残りの相互作用をランク付けすることで、効率的で的を絞った探索を実現する。

実世界のテーブルトップ操作タスク（隠れた物体の探索、空き缶の検出、熟したアボカドの発見）とLIBEROのシミュレーションタスクで評価した。既存の受動的およびナイーブなインタラクティブベースラインと比較し、PhysCaPは少ない相互作用と短い実行時間で同等の性能を達成した。アブレーション研究により、提案された物理特性抽出モジュールの有効性を検証した。

要旨からは、議論の詳細は不明である。ただし、PhysCaPは能動的知覚の重要性を示し、物理特性の推定が操作タスクに有効であることを示唆している。また、探索コストと情報効率のトレードオフをデュアルエージェントで解決している点が議論の対象となる可能性がある。

要旨で参照されている関連研究として、code-as-policyフレームワーク、vision-language-action policies、能動的知覚、物理特性推定に関する研究が挙げられる。具体的には、Code-as-Policyの元論文や、物理特性推定のための自己受容感覚を利用した研究、能動的探索のための強化学習手法などが関連する。