アント・グループのRobbyant、触覚基盤モデルLingBot-Touchを公開　4種のロボット方策で成功率14〜26ポイント向上

アント・グループ傘下の身体性AI企業Robbyantが、触覚基盤モデル「LingBot-Touch」をオープンソース化した。ピエゾ抵抗式、磁気式、視覚式の3種類のセンサーで集めた4983時間分の指先データで学習している。著者らが11月9日にarXivで公開した技術報告によると、そのうち4000時間で事前学習した546万パラメーターのTinyエンコーダーを凍結したまま既存の4種類のロボット方策に加えたところ、実機の双腕タスク26種での平均成功率が14〜26ポイント上がった。4種類とは、Diffusion Policy、Physical Intelligenceのπ0.5、Robbyant自身のLingBot-VLA、T-Rexだ。

本当の発見は対照実験にある。チームは同じ方策に生の触覚信号もそのまま与えた。改善は最大でもおよそ半分の7.0〜11.2ポイントで、104通りのタスクと方策の組み合わせのうち22通りでは逆に悪化した。生の触覚を入れたLingBot-VLAは、麻雀牌の仕分けで成功率が**28.8%から5.0%**に落ちた。ロボットの手に触覚を持たせること自体は、もう難所ではない。感じたものを方策が使える情報に変えることが難しい。

学習で見ていないセンサーでも効いた

XHand1の磁気式指先センサーは、事前学習データに含まれていない機種だった。このセンサー向けにパラメーターを一切更新しなくても、LingBot-Touchのトークンは4種の方策のXHand1での6タスクの平均成功率を13.8〜24.5ポイント押し上げた。生の信号による変化は**−1.7から+4.6ポイントにとどまった。視覚式センサーが学習データに入っていた多指ハンドSharpa Waveでは、π0.5の20タスク平均成功率が47.6%から68.6%**に上がった。

著者らによれば、現時点で単独で5000時間分のデータを持つ触覚センサーはないが、実験からはその必要もないことがうかがえる。ある検出方式のデータが、別方式のセンサーでの性能も改善したからだ。データセットは人が触覚グローブで集めたデータと遠隔操作のロボットハンドのデータを組み合わせたもので、24種類のタスクにわたる46万4431エピソードからなる。Tinyエンコーダーがπ0.5、LingBot-VLA、T-Rexに加えるパラメーターは**0.13〜0.16%**にすぎない。Robbyantによると、コードとモデルはGitHubとHugging Faceで2つのサイズで公開されている。

触覚が視覚に勝つ瞬間

改善はどこでも起きたわけではない。104通りのうち5通りでは元の方策を下回った。各タスクは200件（両手が必要なタスクは500件）のデモで学習し、20回の試行で評価している。伸びが最も大きかったのは、カメラでは判断できない一瞬だ。ボトルのキャップが緩んだか（T-Rex、56%→90%）、スプレーの引き金を十分に引いたか（LingBot-VLA、42.5%→87.5%）、そしてファスナーのスライダーがかみ合ったか。LingBot-VLAはこれで**11%から55%**になった。