物理経験から学ぶ：ロボット操作のための文脈空間適応

- 実世界のロボットマニピュレーションにおいて、物理的経験から学習するための枠組み LEXP を提案する研究。 - 汎用推論モデル ChatGPT-6-Astra を物理的に実行可能な操作ポリシーとして利用できることを実世界実験で示す。 - LEXP は task-level planning と experience module を組み合わせ、モデル重みと action interface は固定したまま経験を再利用する。 - 対象は多様な manipulation tasks であり、12 の実世界タスクで評価している。

- 従来の multimodal foundation models は知覚・推論・in-context learning に強い一方、物理行動への変換が困難であった。 - 本研究は ChatGPT-6-Astra が physically actionable かつ context-responsive な manipulation policy として機能し得ることを実世界で示す点が新しい。 - モデル重みや action interface を固定したまま、経験モジュールによる context-space adaptation で性能を向上させる点が先行手法と異なる。 - 比較では memory alone の 19/36、vanilla Astra の 2/36 に対し LEXP は 23/36 を達成している。

- LEXP は task-level planning と experience module を統合した harness である。 - experience module は実行証拠を解釈し、適用条件付きの教訓を抽出・保持し、関連する教訓を再利用して後続行動への文脈的フィードバックを生成する。 - モデル重みと action interface は全過程で固定される。 - 計画と保持経験の寄与を切り分けるため、計画除去・経験除去の ablation を行っている。

- 12 の実世界 manipulation tasks で評価し、LEXP は 23/36 成功（63.9%）を達成した。 - 比較対象は memory alone の 19/36（52.8%）、vanilla Astra の 2/36（5.6%）。 - bread transfer、sort trash and toiletries、retrieve drawer の 3 タスクで ablation を実施し、計画除去で 7/9 から 4/9、保持経験除去で 3/9 に低下した。 - execution traces によりフィードバック誘導の修正と inspection strategy の cross-episode 再利用を、execution analyses によりタスク構造と経験由来フィードバックの寄与を示した。

- 結果は context-space adaptation が物理的相互作用を再利用可能なガイダンスに変換する実用的機構であることを支持する。 - execution analyses はタスク構造と経験由来フィードバックがタスク進行・行動修正・経験再利用を導くことを示す。 - 一方、要旨からは失敗事例の詳細な分析、タスク間の一般化限界、スケーラビリティに関する議論は不明。 - 評価タスク数や試行数は限られており、より広い環境での検証は要旨からは不明。

- 要旨で直接参照・比較されている memory alone と vanilla Astra（ChatGPT-6-Astra）に関する研究。 - 関連手法として multimodal foundation models、in-context learning、task-level planning、experience replay 系の研究。 - 同分野の定番として robotic manipulation における imitation learning や reinforcement learning の研究。