MoMo: 時空間行動トークン化によるロボット操作の動作モード調整
本論文では、MoMoと呼ばれる2段階の模倣学習フレームワークを提案。時空間行動トークナイザーと行動クローニングトランスフォーマーを組み合わせ、タスクと連続的な動作モード条件を入力として、ロボットが操作中の動作スタイル（安定、動的、中間）を制御できるようにする。6つの実ロボット操作タスクにおいて、未見過ごしのタスク・モード組み合わせに対する構成的一般化の証拠を示した。
最近、マサチューセッツ工科大学（MIT）などの研究者らは、ロボットが操作中の動作スタイルをタスクに応じて柔軟に調整できるフレームワーク「MoMo」を提案した。この研究はarXivプレプリント（ID: 2607.26315）で公開されており、著者はYuhan Hu氏を含む6名である。
MoMoは2段階の模倣学習フレームワークである。最初の段階は時空間行動トークナイザー（Spatiotemporal Action Tokenizer）で、ロボットの連続的な行動系列を離散的な時空間トークンに分解する。これにより、行動の局所的・全体的な特徴を捉える。第二段階は行動クローニングトランスフォーマー（Behavior-Cloning Transformer）であり、タスク記述と連続的な動作モード条件を入力として、対応する行動系列を出力する。この動作モード条件はダイヤルのように連続的に調整でき、ロボットは極めて安定した動作から非常に動的な動作まで、様々なスタイルでタスクを実行できる。
研究チームは、押す、掴む、置くなどの6種類の実ロボット操作タスクで実験を行った。訓練時に異なるモードのデモデータを提供することで、ロボットは指定されたモード条件に応じて動作を調整する方法を学習した。実験結果では、人間の評価者が安定、動的、中間の各モードを明確に区別でき、これらのモードは関節速度、加速度、エンドエフェクタの接近角度において有意な差を示した。例えば、動的モードでは動作が速く加速度が大きいのに対し、安定モードではゆっくりと滑らかな軌道を描く。
さらに重要なことに、MoMoは構成的一般化能力を示した。特定のタスクが1つのモードでのみ実演されていた場合でも、ロボットは未見のモードをそのタスクに転移し、タスク成功率を維持することに成功した。これは、動作モードがタスク間で再利用可能な行動因子であり、ロボットが異なる方法で同じ操作スキルを実行できることを意味する。この発見は、データ収集コストの削減とロボットの適応性向上に大きく貢献する。
この研究は、ロボット操作における実行レベルの変動に対処する新しいアプローチを提供し、ロボットがさまざまな操作環境や要求に柔軟に適応することを可能にする。将来的には、より複雑なタスクや多様なロボットプラットフォームへの拡張、最適な動作モードの自動選択方法の探求が計画されている。この研究は、ロボット学習、制御、人間とロボットのインタラクションに関する今後の研究に影響を与える可能性がある。