Tianqi Gong氏らの研究チームは、ロボットが多くの手順をこなす間も、タスク全体の意図を保てる手法「GTI」を発表した。GTIはロボットの視覚情報と、それまでに実行した動作をもとに、現在のサブタスクと次に目指すべき視覚的な状態を判断する。実環境でのロボット実験では、タスク全体の平均成功率が21.7%から59.2%に上昇し、2倍以上になった。
論文ではシミュレーションを使ったベンチマークでも性能向上が報告されており、RoboCasa365のタスク成功率は31.8%、VLA‑Arenaの総合成功率は47.6%に達した。
なぜ重要か
成功率の向上により、産業分野で使われるロボットが複数手順からなる作業をより確実に完了できる。