機器人與具身 AI
HiFi-UMI、ミリメートル精度のウェアラブルデータでロボットを直接訓練――ポストトレーニングで実機デモが不要に
HiFi-UMIは、オフラインのステレオ慣性SLAM、マイクロ秒精度の同期、両手を捉える6視点を統合したポータブルなデータシステムだ。人間の操作データのみをロボットのポストトレーニングに直接利用できる。3種類のVLA／世界・行動モデルの実機成功率は現場での遠隔操作ベースラインに近いが、結果は依然として単一チームによる制御されたタスクに集中している。
ロボットポリシーは通常、人間の一人称視点映像だけで最終訓練まで完結できない。ウェアラブル型のUniversal Manipulation Interface（UMI）は拡張しやすい一方、軌跡ドリフト、両手間の相対姿勢の不正確さ、カメラの非同期、視野の遮蔽といった問題がある。そのため業界では主に事前学習に使用し、少量の実機遠隔操作データで補正している。HiFi-UMIは、この「実機アンカー」を取り除き、データ品質を直接デプロイ可能な水準まで高めようとしている。
システムは、ヘッドマウント型のオフラインstereo-inertial SLAMで軌跡を再構築し、両グリッパー間の相対姿勢を事後推定ではなく直接計測する。また、共通のGPIOトリガーによってセンサーの同期誤差を40マイクロ秒未満に抑える。各手には2台の広角カメラを搭載し、合計6視点、片手あたり約200度の視野を確保する。論文では、ワークスペース内におけるエンドエフェクターの位置決め誤差は約3ミリメートルと報告されている。データにはさらに、自動軌跡再構築、シミュレーション再生、品質検証が施され、不正確なデモンストレーションが訓練データセットに混入する可能性を低減している。
チームはHiFi-UMIのデモンストレーションのみを使ってStarVLA-QwenPI、OpenPI-π0.5、LingBot-VAをポストトレーニングした。実機成功率は、現場で収集した遠隔操作データによるベースラインと比べ、それぞれ−2.5、＋3.1、−0.6パーセントポイントの差だった。最良のポリシーは精密挿入タスクで85％を達成した。また、同じシステムで収集した4,000時間のデータを用いて事前学習したところ、10種類の未見タスクで行動誤差が41％減少し、StarVLA-QwenPIの実機成功率はさらに18.1ポイント向上した。
公開されたHiFi-UMI-2Kには、2,000時間超、48万2,000件の再生可能なデモンストレーション、110以上のシーンが収録されており、CC BY 4.0で提供される。エンジニアリング上で本当に注視すべきなのは、第三者が異なるロボットアーム、制御周波数、カメラキャリブレーションを用いて結果を再現できるかどうかだ。また、長時間運用時のSLAMドリフト、接触力、エンドツールの違いに対応するため、依然として少量の実機データによる補正が必要かどうかも重要になる。現時点の数値だけでは、高コストなロボットデータをウェアラブル方式の収集で全面的に代替できることは直接証明されていない。