すべての人に一次情報を
PGX(Physically Grounded Execution)は、ロボットの長期操作を3つの層に分割する物理に基づく実行フレームワークである。まず、物理条件を利用した述語に基づく状態機械がタスクの進行を管理し、VLA(Vision‑Language‑Action)スキルが各段階で動作する。さらに、world‑coordinate locking(WCL)がベースの姿勢保持や物体相対位置を保ち、接触先を一定にする。
実験では、コーヒー取り出しタスクでPGXを導入した際、GR00Tポリシーの成功率が35%から80%へ、π0.5ポリシーは0%から60%へと向上した。これは、述語が「マグカップが持ち上げられた」「ボタンが押された」などを正しく判定したため、次の段階へ進む前に必ず条件を満たすようになったからだ。
同様の成績向上は、箱運搬、マグカップ配置、コーヒー取得の3つのシミュレーションシナリオ全てで確認された。GR00Tで平均成功率が35%/48%から78%/68%へ、π0.5で17%/25%から82%/88%へと改善した。
PGXの利点は、VLAが個々のスキルに集中できる点にある。VLAは物理的な制御や時間配分の負荷を受けずに、必要な行動のみを実行できる。しかし、段階遷移のために述語判定が必要なため、フラットVLAポリシーに比べて実行時間が増加する傾向がある。さらに、タスクレベルの述語と段階定義をロボットに転送しなければならない点も課題となる。
PGXは状態推定精度に強く依存する。内部台座(Vicon)や関節エンコーダーのノイズが原因で述語が誤判定されると、誤った段階遷移が起こり、タスク失敗の原因になる。最後に、フラットVLAを学習させると、細かい接触精度が不足し、ボタン押下のような精密タスクではWCLの世界アンカーが必要になるケースがある。
総じて、PGXは物理に基づく層分けによってロボット操作の成功率を大幅に向上させるが、実装には正確な状態推定とタスク定義の提供が欠かせない。