Recova: 自律ロボットマニピュレーションのためのエージェント誘導型失敗回復

Recovaは、自律ロボットマニピュレーションにおける失敗からの回復をエージェントが導くフレームワーク。再構成されたdigital twin内でタスク実行と回復を同時に開発し、実世界経験で検証・洗練する。twin内でエージェントが失敗を診断し、修正プログラムを試し、成功したタスクと回復のrolloutを別々のpolicy用に収集。展開時には進捗を監視し、学習済みまたはプログラムによる回復を呼び出し、シーン復元を検証して実行を再開する。適切な回復がない場合、人間のdemonstrationが失敗を解決し学習ループに入り、回復能力を拡張する。物理rolloutと人間demonstrationは対応するpolicyにDAgger訓練用に振り分けられる。

従来の失敗回復はスケーラブルな失敗探索と物理的groundingが課題だった。Recovaはagent-guided frameworkにより、digital twinでの失敗診断・修正プログラムテスト・rollout収集と、実世界での検証・洗練を統合。6つのLIBERO-Pro設定と4つのMolmoSpacesカテゴリで平均成功率78.8%と64.9%を達成し、最強baselineの71.7%と38.0%を上回る。実ロボット4ワークステーション並列収集でDAgger fine-tuningにより平均成功率23.8%から77.5%へ、回復スキルで87.5%へ向上。1タスク4ラウンドで人間介入が87.5%から0%に減少。

肝は、digital twin内でエージェントが失敗を診断し修正プログラムをテスト、成功したタスクと回復のrolloutを別々のpolicy用に収集する点。展開時は進捗監視、学習済み/プログラム回復の呼び出し、シーン復元検証、実行再開。回復不能時は人間demonstrationが学習ループに入る。物理rolloutと人間demonstrationを対応policyへDAgger訓練用に振り分け。これにより失敗を再利用可能な能力に変換。

6つのLIBERO-Pro設定と4つのMolmoSpacesカテゴリで評価。Recovaは平均成功率78.8%と64.9%、最強baselineは71.7%と38.0%。実ロボット4ワークステーション並列収集でDAgger fine-tuningが平均成功率23.8%から77.5%へ、回復スキル追加で87.5%へ。1タスク4収集ラウンドで人間介入が87.5%から0%に減少。

結果はagent-guided recoveryが失敗を再利用可能な能力に変え、堅牢性を改善しつつ人間介入を漸減させることを示す。ただし要旨からは、digital twinの再構成精度やsim-to-realギャップ、回復スキルの汎化性、人間demonstration依存の限界など詳細な議論は不明。

要旨で参照/比較されている研究としてLIBERO-Pro、MolmoSpaces、DAggerが挙げられる。関連手法としてdigital twin、sim-to-real transfer、failure recovery、imitation learning、reinforcement learningなどが次に読むべき候補。