Yanjun Li氏らの研究チームは、タスクの進捗を説明する言語を使ってロボットの世界・行動モデルを学習させる手法「LANGUAGE-FORCING」を発表した。この手法では、凍結した視覚言語モデルのテキスト埋め込みを、ロボットが予測する将来の視覚情報と対応づける。追加の負荷が生じるのは学習時だけで、ロボットの動作速度は従来と変わらない。HumanoidArenaベンチマークでは成功率79.17%を達成し、次点の方策を9.46ポイント上回った。実環境の5つのタスクでは、成功率が53.33%から71.33%に上昇した。
なぜ重要か
ヒューマノイドロボットの開発者にとって、この手法は稼働中の速度を落とさずにタスクの信頼性を高められる。
