LIBERO-Industry、工場制約下のロボット操作能力を評価

導入

ロボットがベンチマーク上で物体をつかめることと、工場で安定して働けることは同じではありません。多品種少量生産では、製品が頻繁に変わり、部材がコンベヤー上を動き続けます。さらに、ロボットには限られた時間内で作業を終え、狭い許容範囲に物体を配置することが求められます。わずかな認識や制御の誤差が、工程全体の失敗につながり得ます。

生産ラインの条件を評価項目に変える

同済大学のIAIE Physical AI Groupの研究チームは、この問題に対応するため LIBERO-Industry を提案しました。広く使われているロボット学習ベンチマークLIBEROを土台に、工業プロセスで頻出する制約を、再現可能なタスク条件と測定可能な成功基準へ変換しています。

対象となるシナリオは次の3つです。

• Static-to-Dynamic（S2D）：静止した物体を、動いている対象や流れへ載せる。
• Dynamic-to-Static（D2S）：動いている物料から物体を取り出し、静止した場所へ置く。
• Dynamic-to-Dynamic（D2D）：2つの動的な工程の間で物体を移送する。

全体では216タスクを用意し、物体の形状、コンベヤー速度、相互作用可能な時間、配置を受け入れられる領域の大きさを体系的に変えます。この構成により、製品差、時間的な余裕、動作速度、位置決め精度のどれが方策を難しくしているのかを切り分けられます。複数の制約を同時に与えた場合の影響も確認できます。

実験から見える限界

研究では、視覚言語行動モデルやワールド・アクションモデルを含む5種類の汎用ロボット方策を評価しました。シミュレーションでは、工業制約を段階的に導入し、さらに組み合わせるほど、性能が継続的に低下しました。これは、静的で整った環境での成功だけでは、動く対象への対応、短いサイクルタイム、製品差、厳密な位置決めを保証できないことを示します。

また、同じ微調整・評価プロトコルの下で学習条件も比較されました。実機実験では、LIBERO-Industryを含む共同学習条件が、元のLIBERO条件だけを用いた場合より高い目標搬送完了を示しました。これは特定のモデルがあらゆる場面で優れるという結論ではありません。工場に近い変動を訓練時から経験させることが、対応する操作能力の改善に役立つ可能性を示す結果です。

意義と今後の課題

LIBERO-Industryの重要性は、「工場で使えるか」という曖昧な問いを、速度、時間、形状、許容差といった個別の指標に分解できる点にあります。研究者は共通条件で方策を比較し、どの制約で性能が崩れるのかを分析できます。

一方、ベンチマークの結果だけで大規模な工場導入を判断することはできません。実際の現場には、安全要件、装置差、異常復旧、部品の摩耗、長時間運用の安定性もあります。本ベンチマークは、汎用ロボット研究と産業検証をつなぐ、制御された評価の足場と位置づけるのが適切でしょう。

出典：Hugging Face Daily Papers