フィジカルAI：ロボットがスクリプト化された動きを超える方法

フィジカルAIとは、ロボットが物理世界を知覚し、理解し、行動することを可能にするインテリジェントソフトウェアを指し、ヒューマノイドの形状とは区別される。ヒューマノイドロボットはしばしば印象的なスクリプト化されたデモを行うが、変化する状況に適応する能力を欠いている。業界は、単一の大規模なエンドツーエンドモデルを訓練するアプローチから、エージェントベースのアプローチへとシフトしている。そこでは、複数の専門化されたモデルが異なるモダリティ（視覚、言語、行動）を処理し、独立して更新できる。学習は依然としてボトルネックである。LLMで使用されるような大規模なデータセットは存在せず、ビデオからの学習などの手法も、補足的なアノテーションを必要とする。視覚は最も成熟した感覚チャネルであり、Vision-Language-Action（VLA）モデルは、事前学習された視覚エンコーダを活用し、画像をテキストのようにトークン化する。言語は普遍的なインターフェースとして機能し、高レベルのコマンドが高レベルのプランナーによって分解されることを可能にする。触覚センシングは、正確な操作を必要とするタスクに重要であると見なされており、物体を掴んだ後は視覚では不十分であるため、人工皮膚の研究が進められているが、現在のロボットは力センサーを使用している。プロプリオセプション（自己受容感覚）—ロボット自身の身体状態を知ること—も、エンコーダ、IMU（慣性計測ユニット）、トルクセンサーを使用するもう一つの重要なチャネルである。人間のような器用さと適応性を達成することは依然として遠い目標であるが、エージェントベースのアーキテクチャと段階的な改善が実用的な前進の道と見なされている。