SPINE: エージェンティックAIでサイバーフィジカルギャップを埋める
研究者らは、二腕ロボットのデバッグと展開を自動化し、専門家によるキャリブレーションへの依存を減らすエージェンティックフレームワークSPINEを提案。テストでは、SPINEは成功率を向上させ、テレオペレーション時間を短縮した。
近年、ファウンデーションモデルはロボットに複雑な意思決定能力を提供しているが、その知能を物理プラットフォームに展開するには、依然として面倒で専門家に依存したキャリブレーションが必要である。この「展開ギャップ」は、スケーラブルな具体化AIの主要なボトルネックと考えられている。この課題に対処するため、研究チーム（Minkyu Hamら10名）はSPINE（Scalable Physical Integration with ageNtic Expertise）を提案する。これは、最小限のロボット専門知識で二腕ロボットのデバッグと展開を系統的に行うエージェンティックフレームワークである。本論文は2026年6月29日にarXivに提出され、IDは2607.13049である。
SPINEのハーネスは、2つの調整されたマルチエージェントワークフローから構成される。プロファイルビルダーはロボット固有のコンテキスト（運動学、センサー、制御インターフェースなど）を作成し、デバッガーは診断、修復、検証を繰り返してテレオペレーションが機能するまでサイクルする。この構造化されたアプローチは、従来の手動による試行錯誤のキャリブレーションプロセスに取って代わる。
7つのDOBOT X-Trainerデバッグシナリオにおいて、ロボット初心者がSPINEを使用した場合と、同じ参考資料を用いてもSPINEの構造化ワークフローなしでClaude Codeを使用した人間オペレーターとの比較実験が行われた。結果は印象的で、SPINEを使用した初心者は運用化成功率を75%から100%に向上させ、平均テレオペレーション時間を16分45秒から13分47秒に短縮した（18%の削減）。別のROS/CANベースの二腕ロボットAgileX PiPERでは、SPINEは10個の埋め込まれたバグすべてを解決し、専門家ベースラインは10個中9個を解決し、ほぼ同じ時間で完了した。
これらの結果は、SPINEが単一プラットフォームだけでなく、複数のプラットフォーム間で転用可能であり、専門家によるキャリブレーションへの依存を大幅に減らすことを示している。これは、ロボット展開の技術的ハードルを下げ、非専門家でも効率的にタスクを実行できるようにすることで、具体化AIのスケーラブルな実世界展開を前進させる重要な一歩である。今後の研究では、より複雑なタスクや追加のロボットプラットフォームへの適用が期待される。