PhysCaP: Grounding Code-as-Policy Agent with Physics-Informed Exploration
Abstractの概要
PhysCaPは、視覚のみでは推論できない潜在的な物理特性に成否が依存するロボット操作タスクにおいて、能動的知覚を行うために設計された物理情報を活用するCode-as-Policyエージェントです。本システムは、追加のセンシングハードウェアを必要とせず、ロボットの固有受容感覚から物体の質量や剛性を推定する学習不要の物理特性抽出モジュールによってCode-as-Policyを拡張します。また、探索の必要性と停止時期を判断するPlannerと、不要なプロービングを減らすために候補となる相互作用を選別・順位付けするPrioritizerからなるデュアルエージェント探索設計を採用しています。本論文では、空き缶の識別や熟したアボカドの判別といった隠れ状態推定を伴う3種類の実機卓上タスクとシミュレーション上のLIBEROタスクで本アプローチを評価しています。
新規性
主な新規性は、明示的な物理情報に基づく探索をCode-as-Policyフレームワークに統合し、受動的な観察に頼るのではなく相互作用を通じて不足している物理情報を探索できるようにした点にあります。また、学習不要な固有受容感覚に基づく質量および剛性の推定と、効率的な探索を構成する独立したPlannerおよびPrioritizerを組み合わせた点にも独自性があります。
成果
実機タスク全体において、PhysCaPはPhysXを利用したベースラインと同等以上の性能を達成しつつ、より少ない物体相互作用回数と実行時間を実現し、比較手法の中で成功率、効率性、実行時間の最も優れたバランスを示しました。LIBEROの空容器シミュレーションタスクでは、部分観測下で大半が失敗した評価対象のVLAベースラインを上回り、報告された最高成功率（78%）と平均1.44回の相互作用を達成しました。アブレーション実験によって物理特性モジュールの精度が裏付けられたほか、計画と優先順位付けを分離する構成が単一エージェントへの統合よりも優れていることが示されました。
論文の注目点
- PhysCaPは、隠れた物理状態の推論が必要なタスクに対し、Code-as-Policyを能動的かつ物理情報に基づく探索によって拡張する。
- 標準的なグリッパーとロボットのフィードバックのみを用いて物体の質量や剛性を推定する、学習不要な固有受容感覚モジュールを導入している。
- 実機の卓上タスクおよびLIBEROシミュレーション実験において、受動的または単純な相互作用ベースラインと比較して相互作用効率の向上と高い頑健性が示された。