汎用ロボットの分野では、現在の最先端モデルは大規模な事前学習を通じてすべての能力を学習ポリシーに統合しようとしています。しかし、arXivの新しい研究は別のアプローチを提案しています。すなわち、ロボットの能力を、言語条件付きの汎用ポリシー/制御エージェントと、高レベルのエージェントマネージャー/オーケストレーターに分解するというものです。研究者らはPigeyと名付けた物理エージェントオーケストレーターを開発しました。これはクローズドループシステムであり、高レベル計画、目標の達成可能なサブゴールへの分解、低レベルモーターコマンドの送信、低レベル観測からの結果の追跡と検証、障害からの回復を行います。Pigeyは既存の視覚-言語-行動（VLA）ポリシーやパラメータ化されたスキルを制御でき、追加のデータ収集や事後学習を必要としません。
研究者らはPigeyをシミュレーションベンチマークと挑戦的な実世界ロボット操作タスクで広範に評価しました。LIBERO-PROでは、Pigeyはタスク固有の微調整なしで、最先端の性能を12.8%から53.3%に向上させ、4倍以上の改善を達成しました。実ロボットでは、Pigeyは凍結ポリシーの性能を推論制限タスクでほぼゼロから90%以上に引き上げました。研究者らは、凍結モータースキルが単独で達成する性能とエージェントループ内での性能の差を「オーケストレーションギャップ」と呼んでいます。
この研究は、Liane Galanti氏らによって2026年7月23日にarXivに提出され、ロボティクス（cs.RO）の分野に分類されています。高レベル推論と低レベル制御を分離する重要性を強調し、より汎用的で信頼性の高いロボットシステムを構築するための新たな方向性を示しています。Pigeyの成功は、適切に設計されたオーケストレーション機構によって、既存のポリシーが単独で使用されるよりもはるかに大きな可能性を発揮できることを示しています。