家で働くロボットにとって、もっとも厄介な問いは「薬のケースは今どこにある?」だ。昨日はベッド脇のテーブルで見かけたとしても、その間に誰かが引き出しへしまってしまったかもしれない。この論文が扱うのはまさにそうした状況だ。ロボットが見ていない間、しかもロボットが移動している最中にも、目標物が動いてしまう環境である。ここでロボットが目標物の現在位置を確率で推定し、移動しながら得る映像の証拠でその推定を更新し続けて探し当てる手法がEvolvingNavだ。過去の地図を盲信するでもなく、毎回まっさらな状態から探し直すでもない、ちょうど中間を狙っている。
ロボットのナビゲーション研究は長らく「地図をうまく記憶しよう」という方向で発展してきた。訪れるたびに観測を積み重ね、空間地図と物体の記憶をつくる。ここで使われる道具が、オープンボキャブラリマップ(数多くの物をラベルとともに記憶しておく地図)や、シーングラフ(物がどこに、どんな関係で置かれているかを書き留めておく地図)といったものだ。そして「リモコンを持ってきて」のような命令が来たら、記憶しておいた位置へ向かう。
問題は単純だ。記憶は過去の一瞬にすぎず、ロボットが実際に動いている今この瞬間の世界ではない。人は絶えず物を動かす。ロボットが見ていない隙に薬のケースは引き出しへ入り、リモコンはソファの下へ消える。だから地図が正確であるほど、かえってロボットを時代遅れの場所へ連れていき、逆に毎回ゼロから探せば、せっかく積み上げた記憶をまるごと捨てることになる。
この状況をさらに難しくする条件が三つある。
論文はこの状況全体を Evolving-World Navigation(変化する世界のナビゲーション) という一つの問題として定式化する。大まかに言えば、ロボットが見たものは「過去の状態の証拠」にすぎず、本当に知りたい現在位置は表には現れないまま変わり続ける潜在変数(隠れた値)だ、という見方である。
従来研究にも、未来の状態を予測する試み(PredictiveGraphs)や、移動中に物が動く状況を扱う試み(Transit-Aware Planning)はあった。EvolvingNavが異なるのは、不規則な観測履歴と候補ごとの到着時刻、そして視界を考慮した証拠の更新を、一つのナビゲーションループの中にまとめて束ねた点だ。
その中心にあるのが 時間が刻まれた信念(time-indexed belief) である。目標物の位置を一点に決め打ちする代わりに、「今、各場所にある確率」の分布として持ち歩く、という意味だ。空間の縦・横・高さの3次元に「時間」という軸をもう一つ重ねたことから、論文はこれを4D信念と呼ぶ。この分布をつくる予測モジュールP4D-Navは、目標物がどこにあるかを三つの筋道に分けて考える。
三つ目の筋道を最後まで残しておくのが、この設計の巧みなところだ。既知の候補どうしだけで確率100%を分け合えば、「見当違いの場所にある可能性」を最初から0に敷いてしまう。EvolvingNavは未知の領域にも確率を取り分けておくため、既知の場所を探し尽くしても見つからなかったとき、探索へ切り替える根拠が残る。ただし、このモデルが「正解なしで」学ぶわけではない。予測器は現在状態の正解を基準に学習し、遷移モジュールは出発状態と未来状態のペアで教師あり学習される。人が「いつどこへ移されたか」を逐一付与する別個の変化正解表が不要だという点が要点であって、状態の正解そのものが無いわけではない。
ではロボットは実際にどう動くのか。薬のケースを探す一場面を追ってみよう。
まずロボットは、候補場所の一つひとつについて「自分があそこに到着するころ、薬のケースがそこにある確率」を予測する。到着時刻がまちまちなので、確率もその到着時点に合わせて個別に計算する。その確率を「新たに見える領域」と「移動コスト」と秤にかけて比べたうえで、目的地を選ぶ。そして一気に遠くまで駆けるのではなく短い区間に区切って移動しながら、通り道や検査地点で得るRGB-D(色+深度)映像で信念を更新する。
核心は見たときの処理だ。引き出しがはっきり空いているのを見たら、経路を変えて次の候補へ向かう。しかしタオルの山に遮られてきちんと見えなかったなら、その場所の可能性はほとんど手をつけずそのまま残す。この「見えなかったときはむやみに消さない」という原則を数値で裏づける仕掛けが 視界条件付き検出確率 である。平たく言えば「薬のケースがそこにあったら、自分の目に実際に見えていたであろう確率」を状況に合わせて補正しておき、見えなかったという観測は、ちょうどその確率ぶんだけ当該候補の重みを削る。何が見えて何が見えないか、その正解を人が別途付与したデータなしにこれをやってのける点を、著者らは強調している。
同じ場面を何度もかすめ見たことが、そのたびに新しい証拠のように積み重なって確率を過剰に押し上げてしまうことも防ぐ。証拠の出所を追跡し、時間単位で一度だけまとめて反映する、という具合だ。そして十分に時間が経てば、一度は空だった候補を再び開けておく。世界が変わったのだから、その場所が再び有力になりうるからだ。
これらすべての判断を指揮する本体には、あらかじめ学習済みの汎用視覚-言語モデル(初めて見る物や初めて聞く命令も追加学習なしで読み取れるモデル)を、別途チューニングせずそのまま持ってきて使う。この指揮者が、記憶参照・予測・検査・探索・移動の道具を状況に応じて呼び出して使う構造だ。
評価のために著者らは EvoWorld-Bench というベンチマークも併せて公開した。人の実際の活動軌跡をもとにつくった54個の変化するシーンと803,680個の課題から成り、状態予測・物体ナビゲーション・ビジョン言語ナビゲーション・身体性質問応答にまたがる。課題には、問い合わせの前にだけ変化する場合と、探索の最中にも変化する場合が混ざっている。とりわけ、シーンと問い合わせはまったく同じに固定したまま時間構造だけを変えた ペアにした世界 — 変化のない静的な世界、規則的なルーティンの世界、無作為な世界 — を並べて置き、「学習可能なパターンが実際に役立つのか」を切り分けて見ている。
実験の結果、EvolvingNavは比較対象となった従来手法を上回った。シミュレーションと実機ロボット実験の両方で、ナビゲーション成功率と探索効率がそろって向上した。目標物が探索の最中にも動く、もっとも厄介な条件で特に安定して立て直し、無駄足を減らした。ペアにした実験では、変化が学習可能なルーティンに従うときに利得がもっともはっきり出た。裏を返せば、完全に無作為に変化する世界では、予測が与えられる取り分そのものが小さいという意味でもある。要素を一つずつ外してみるアブレーション実験は、不確実性を保存すること(未知の領域に確率を残しておくこと)と、視界を考慮した証拠の更新が、それぞれ性能に寄与することを確かめてくれた。
著者らが自ら明かした条件が、そのまま限界の輪郭になる。利得は学習可能な時間パターンがあるときにもっとも大きい。人の習慣が不規則だったり無作為に近かったりすれば、予測が与えられる利点は小さくなる。また性能のかなりの部分が視界条件付き検出確率の補正に支えられているが、この補正が狂うと、「見えなかった」という観測を過剰に信じたり、逆に無視したりする方へ偏る余地がある。
評価のかなりの部分が、人の軌跡をもとに生成したシミュレーション環境だという点も念頭に置いておきたい。実機ロボット実験が併せてあるとはいえ、ベンチマークの80万個の課題がそのまま80万回の現実の探索ではない。指揮者を汎用視覚-言語モデルとして使う設計は拡張性の面で魅力的だが、モデルを差し替えたとき、同じ信念を受け取っても行動選択の質がどれだけ揺らぐのかは、さらに検討すべき点だ。
この研究をロボットの話としてだけ読むのはもったいない。ONTLEのAI PMが日々ぶつかる問題と似ているからだ。
一つの場面を追ってみよう。AI PMが顧客プロジェクトを三日ぶりに再び手に取る。PMの「記憶」には三日前の状態が刻まれている。あのときその依頼は受付段階で、成果物のファイルは下書きで、ある決定はまだ保留だった。素朴なエージェントはこの記憶を現在だと勘違いし、「下書きのレビューからいきましょう」と動き出す。しかしその間に顧客が要件を変えたかもしれないし、別の担当がファイルを刷新したかもしれないし、保留だった決定がすでに処理済みかもしれない。ロボットの薬のケースとまったく同じ落とし穴だ。
EvolvingNavの発想をPMに移してみると、行動が四つ変わる。第一に、状態を一つに決めつけず「いまだ受付である確率 / すでに進んだ確率 / 自分の知らない方へ逸れた確率」の分布として持つ。とりわけ三つ目、自分の記録の外で起きた変化に確率を残しておくことが核心だ。第二に、その確率を「三日前」ではなく「今まさに手をつける瞬間」に合わせて評価し直す。ロボットが候補到着の時点に合わせて確率を計算していたのと同じだ。第三に、推定だけで動かず、安い確認から行う。最新のファイルのタイムスタンプ、決定の記録、顧客チャネルの最後のメッセージを確認することが、ロボットの目(RGB-Dによる再確認)に相当する。第四に、確認してもあいまいなら、むやみに「変更なし」と消さず、可能性を残す。
ONTLEがすでに備えている材料 — 作業のあらゆる変更履歴を追跡し、重要な決定を別途記録し、データをプロジェクトごとに分離して管理する今のやり方 — は、まさにこの「時間が刻まれた信念」を支える土台だ。足りないのは、その材料をPMの行動直前の判断へ引き込むループである。「記憶したとおりに実行」ではなく「記憶に時間を重ねて推定し、安く確認してから実行」へと一コマ移すだけで、PMが時代遅れの状態の上で自信満々に間違える事故を減らせる。ロボットが学んだ習慣が、そのままエージェントの仕事さばきの習慣へと翻訳されるわけだ。
いいえ。むしろ積み上げた記憶を積極的に使う。ただしその記憶を「今の事実」ではなく「過去の状態の証拠」として扱い、そこに時間を重ねて現在位置の確率を推定したうえで、移動中の映像で更新し続ける、という点が違う。
その「いつどこへ移された」といった別個の変化正解表は不要だ。ただし状態の正解なしで学ぶわけではない — 予測器は現在状態の正解を基準に学習し、遷移モジュールは出発状態と未来状態のペアで教師あり学習される。つまり人が変化を逐一ラベリングした表が不要だという意味であって、正解信号がまったく無いという意味ではない。一方、何が見えるかを人が別途示したデータなしでも視界条件付き検出確率を補正してのける点は、著者らが強調するもう一つの特徴だ。