ブラウン大学とマサチューセッツ工科大学（MIT）などの研究チームは、ロボットが道具を創造的に使用できるようにする新しい因果推論フレームワークを提案した。この研究はプレプリントサーバーarXiv（arXiv:2605.05411）で公開され、現在査読中である。著者はM. Tuluhan Akbulut、Varun Satheesh、Ahmed Jaafarら8名。
従来のロボットは、道具をあらかじめ決められた方法でしか使えず、柔軟な対応が難しいという課題があった。例えば、遠くの物体に手を伸ばす場合、専用の把持装置しか使えず、身近な棒を道具として活用することができなかった。新しいフレームワークでは、ロボットが道具とタスクの因果関係を理解することで、この問題を解決する。
具体的には、まず物理シミュレーションを用いて、道具とタスクの因果関係を発見する。因果発見は、視覚言語モデル（VLM）による特徴提案と、幾何学的・物理的特徴を変更した反事実的な道具生成の2つの要素に分解される。例えば、「長さ」が物体に到達するための重要な特徴であれば、長さを変えた仮想的な道具を生成し、その効果をテストする。
因果特徴が特定されると、ロボットは環境内の新しい物体を分類し、必要な特徴を持つかどうかを判断する。その後、因果特徴に基づくキーポイントマッチングにより、既存の道具使用技能を新しい物体に転移する。このプロセス全体が力学モデルに基づいているため、道具の選択と使用は物理法則に根ざしたものとなり、信頼性が向上する。
研究チームは、3つの異なるタスクでフレームワークを検証した。異なる長さの棒を使って遠くの物体に到達するタスク、さまざまな道具でボウルからキャンディをすくうタスク、そして箱やクレートを踏み台にして高い棚の物体を取るタスクである。ベースライン手法との比較により、因果特徴の特定と物理的特性への接地が、より信頼性の高い道具選択と強力な技能転移をもたらすことが示された。
この研究は、ロボットの自律的な意思決定と柔軟な操作に新しい可能性を開くものであり、家庭用サービスロボット、産業製造、災害対応など、適応性が求められる分野での応用が期待される。今後、研究チームはより複雑な多段階タスクや動的環境へのフレームワークの拡張を計画している。