ロボットが多様な環境で効果的に動作するためには、タスクを正確に実行するだけでなく、タスクや物体、相互作用の状況に応じて動作の進め方を適応させる必要がある。この実行レベルの変化を、タスク間で共有可能な再利用可能な行動因子として学習できるだろうか？Appleの機械学習研究チームが発表した論文「MoMo: Dial Motion Mode in Robot Manipulation with Spatiotemporal Action Tokenization」はこの問いに取り組んでいる。
MoMoは二段階の模倣学習フレームワークである。第一段階は時空間アクショントークナイザー（spatiotemporal action tokenizer）で、連続的なロボットの動作系列を時間的・空間的構造を持つトークンに離散化する。第二段階は行動クローニングトランスフォーマーで、タスク指示と連続的なモーションモード条件を入力として受け取り、対応する動作トークン系列を出力することで、所望のモーションモードに従った操作を生成する。
研究チームは6つの実ロボット操作タスク（把持、配置、押し引きなど）で実験を行った。入力するモーションモード条件を変化させることで、ロボットは安定（steady）、動的（dynamic）、およびその中間の動作を示した。これらの動作の違いは、関節速度、加速度、エンドエフェクタの接近ピッチ角などの指標で定量化でき、人間の評価者が操作スタイルに基づいて区別できることも確認された。
重要な実験の一つは、MoMoのタスク横断的な汎化能力の検証である。あるタスクが単一のモーションモード（例えば安定モードのみ）で実演されている場合でも、MoMoは未見のモーションモード（例えば動的モード）をそのタスクに適用し、タスク成功率をほぼ維持することに成功した。これは、モーションモードがタスクから独立した因子として学習され、再利用可能であることを示している。
本研究は、モーションモードが操作スキルの実行方法を制御する再利用可能な行動因子として機能することを実証し、ロボットの行動多様性と適応性を向上させる可能性を示した。将来、このフレームワークはロボットのデモンストレーションデータ収集コストを削減し、複雑な環境におけるロボットの柔軟性を高めるのに役立つと期待される。