新しいAIモデルであるRobostral Navigateは、「信頼できる自律ナビゲーションには高価でセンサーを多用したハードウェアが必要だ」というロボット工学における長年の前提に挑戦している。AI Science Roboticsのチームによって開発されたこの80億パラメータモデルは、一般的なRGBカメラ1台と自然言語による指示だけを用いて、最先端の単眼カメラロボットナビゲーションを実現している――LiDARも、深度センサーも、マルチカメラリグも不要だ。
Summary
主なポイント
- Robostral Navigateは、単一のRGBカメラと自然言語の指示だけでロボットをナビゲートする80億パラメータのAIモデルである。
- R2R-CEのvalidation unseenベンチマークで76.6%の成功率を達成し、最良の単眼カメラ手法を9.7ポイント、深度／マルチカメラシステムを4.5ポイント上回っている。
- モデルは、画像座標からターゲット位置を予測するポインティングベースのアプローチを用い、ターゲットが視野外にある場合にはローカル座標系での変位にフォールバックする。
- プレフィックスキャッシングによる学習手法により、学習トークンを22分の1に削減し、数カ月規模の学習を数日に圧縮している。
- CISPOアルゴリズムによる学習後の強化学習によって、モデルの成功率はさらに3.2%向上した。
Robostral Navigateが単眼カメラロボットナビゲーションを前進させる
Robostral Navigateは、ナビゲーションモデルが実際に動作するために何を必要とするのかを再定義している。競合システムが環境をマッピングするために深度センサーやカメラアレイに依存する一方で、このモデルは標準的なRGB画像のストリームとテキスト指示を同時に処理し、それに応じて空間内を移動する。Théo Cachet、Arjun Majumdar、Srijan Mishra、Thomas Chabal、Chris Bamford、Elliot Chane-Sane、Benjamin Tibi、Ludovic Ho Fuh、Olivier DuchenneらAI Science Roboticsの研究者を含むチームは、既存のオープンソースのビジョン・ランゲージモデルに頼ることなく、モデル全体を社内で構築した。
この設計上の選択は、実運用において大きな意味を持つ。センサー要件が単純であるほど、ハードウェアコストは低くなり、ロボットの種類を問わず統合が容易になり、センシングスタックにおける故障点も少なくなる。
ポインティングとフォールバック変位によるナビゲーション手法
中核となるイノベーションは、チームがポインティングベースのナビゲーションと呼ぶものだ。「前方0.5メートル進め」といったメートル単位の変位コマンドを出す代わりに、Robostral Navigateはロボットの現在のカメラビュー内でターゲット位置の画像座標――つまり進むべき場所を指し示すような情報――と、到達時の向きを推定する。
このアプローチにより、ポリシーはカメラ内部パラメータの変化や世界のスケールの違いに自然と強くなる。固定されたメートル単位ではなく、視覚的な観点から目的地を推論するからだ。モデルが従うことのできる指示の一例は次のようなものだ。「ロビーを出て、廊下を通り、備品室に入り、2番目の棚の方を向いて止まりなさい。」
ターゲットがカメラの現在の視野外にある場合、ポインティングは単純に適用できない。そのようなケースでは、モデルはローカル座標系での変位――「前方に2メートル、左に1.5メートル進み、左に25度回転せよ」といったコマンド――にフォールバックする。この2モード設計により、モデルはセンサーを増やすことなく、現実の幅広いナビゲーションシナリオに対応できる。
R2R-CEバリデーションでのベンチマークトップの性能
Robostral Navigateの真価は数値に表れている。R2R-CE（Room-to-Room in Continuous Environments）ベンチマーク――学習時には見ていない環境でナビゲーション指示に従えるかを測る標準テスト――において、このモデルはvalidation unseenで76.6%の成功率、validation seenで79.4%を達成した。
単眼カメラおよびマルチセンサーシステムを上回る性能
これらの結果により、本モデルは現在このベンチマーク上にある同等システムのすべてを上回っている。Robostral Navigateは、最良の単眼カメラ手法を9.7ポイント上回り、深度センサーや複数カメラを用いる最良のシステムを4.5ポイント上回っている――にもかかわらず、それらのセンサーを一切使用していない。
マルチセンサーシステムに対するこの差は特に注目に値する。深度カメラやLiDARリグは大きなハードウェア投資を必要とする。単一のRGBフィードだけでそれらを上回るモデルは、単にベンチマークで勝つだけでなく、商用ロボット導入における「必要最小限のハードウェア」の水準そのものを変えてしまう。
革新的な学習および強化学習手法
この水準の性能に到達するには、学習効率の問題を解決する必要があった。ナビゲーションモデルは、長いエピソードにわたる画像・行動・結果の履歴といった逐次的な観測履歴から学習するため、通常は膨大な計算資源を要する。Robostral Navigateのチームは、ツリーベースのアテンションマスキング戦略に基づくプレフィックスキャッシング学習アルゴリズムでこの課題に取り組んだ。
効率的なプレフィックスキャッシング型教師あり学習
この手法では、ナビゲーションエピソード全体を1つのシーケンスに圧縮し、情報がタイムステップ間で漏れないようにしながら、すべてのタイムステップを1回のフォワードパスで学習できるようにする。1タイムステップにつき1サンプルを学習する従来手法と比べ、このアプローチは学習トークンを22分の1に削減しつつ、すべての学習信号を保持する。実務的には、数カ月かかるはずの学習を数日で完了できるようにし、大規模なロボットAIの反復開発において大きな運用上の優位性をもたらす。
学習データ自体は、約40万軌跡を6,000シーンから収集する形で、すべてシミュレーション上で生成された。これにより、物理環境でのデータ収集に伴うコストや複雑さなしに、迅速な反復が可能になった。
CISPOを用いたオンライン強化学習による性能向上
教師あり学習の後、チームは性能をさらに押し上げるために、オンライン型の強化学習アルゴリズムであるCISPOを適用した。標準的なビヘイビアクローニングでは、デプロイ時に学習データとは異なる状況に直面することで分布シフトの問題が生じうるが、CISPOによりモデルは試行錯誤から学び、失敗から回復し、探索的な行動を身につけることができる。
この第2段階の学習により、成功率はさらに3.2%向上した。チームは、性能に頭打ちの兆候は見られないと述べており、今後の追加学習によって数値はさらに伸びる可能性が高いとしている。大規模言語モデル開発でおなじみの学習後RL手法をエンボディドナビゲーションAIに適用したことは戦略的に重要な一手であり、LLM向けに洗練されてきたエンジニアリング手法が、物理ロボット制御にも転用可能であることを示している。
ロボット種別をまたぐ汎化と今後の開発
Robostral Navigateは、車輪型、脚型、飛行ロボットで動作し、ロボットのサイズやカメラ構成が異なっても汎化する。モデルはカメラ内部パラメータの違いにもロバストであり、新しいハードウェア構成ごとに再キャリブレーションを行う必要がない。これは、広範な商用導入を目指すシステムにとって実務上不可欠な要件だ。
想定される用途は、製造、配送、物流、ホスピタリティなど多岐にわたる。チームはナビゲーションを汎用ロボット工学における基盤能力と位置づけており、Robostral Navigateを完成品というよりも、統一されたエンボディドエージェントへの第一歩として位置づけている。
AI Science Roboticsは、ロボット工学チームを積極的に拡大しており、エンボディドナビゲーションAIに特化した研究者やエンジニアを採用している。これは、開発ロードマップがこの最初のリリースをはるかに超えて続いていくことを示している。
FAQ
Robostral Navigateはロボットナビゲーションにどのようなセンサーを使用しますか？
Robostral Navigateは単一のRGBカメラのみを使用し、LiDARや深度センサーには依存しません。
Robostral Navigateの性能は、他のナビゲーションモデルと比べてどの程度優れていますか？
R2R-CEのvalidation unseenベンチマークで76.6%の成功率を達成し、最良の単眼カメラ手法を9.7ポイント、深度／マルチカメラシステムを4.5ポイント上回っています。
ターゲットがカメラビューに映っていない場合、Robostral Navigateはどのようにナビゲーションタスクを処理しますか？
ターゲットがカメラの現在の視野外にある場合、モデルはロボットのローカル座標系における変位コマンドをフォールバックのナビゲーション手段として使用します。
Robostral Navigateのナビゲーション性能を向上させる学習手法にはどのようなものがありますか？
モデルは効率的なプレフィックスキャッシング型教師あり学習手法を用いており、これにより学習トークンを22分の1に削減しています。さらに、CISPOアルゴリズムによるオンライン強化学習によって成功率が3.2%向上しています。
{“@context”:”https://schema.org”,”@type”:”FAQPage”,”mainEntity”:[{“@type”:”Question”,”name”:”Robostral Navigateはロボットナビゲーションにどのようなセンサーを使用しますか？”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Robostral Navigateは単一のRGBカメラのみを使用し、LiDARや深度センサーには依存しません。”}},{“@type”:”Question”,”name”:”Robostral Navigateの性能は、他のナビゲーションモデルと比べてどの程度優れていますか？”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”R2R-CEのvalidation unseenベンチマークで76.6%の成功率を達成し、最良の単眼カメラ手法を9.7ポイント、深度／マルチカメラシステムを4.5ポイント上回っています。”}},{“@type”:”Question”,”name”:”ターゲットがカメラビューに映っていない場合、Robostral Navigateはどのようにナビゲーションタスクを処理しますか？”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”ターゲットがカメラの現在の視野外にある場合、モデルはロボットのローカル座標系における変位コマンドをフォールバックのナビゲーション手段として使用します。”}},{“@type”:”Question”,”name”:”Robostral Navigateのナビゲーション性能を向上させる学習手法にはどのようなものがありますか？”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”モデルは効率的なプレフィックスキャッシング型教師あり学習手法を用いており、これにより学習トークンを22分の1に削減しています。さらに、CISPOアルゴリズムによるオンライン強化学習によって成功率が3.2%向上しています。”}}]}
本記事は人工知能の支援を受けて作成され、編集部による確認を経ています。
