本記事は原著論文をもとに編集部が独自に要約・解説したもので、著者・研究機関による公式翻訳ではありません。正確な表現や数値は原文をご確認ください。
3分で分かる要約
π0.5（パイ・ゼロ・ポイント・ファイブ）は、画像と言語からロボットの動作を生成するVLA（Vision-Language-Action）モデルです。Physical Intelligenceの研究チームは、家庭内の移動マニピュレーターを、学習時に見ていない住宅でも複数段階の作業に取り組ませました。
重要なのは、未知環境への対応を単一の巨大データセットだけで狙ったのではない点です。家庭内の実機データに、別のロボットのデータ、ウェブ由来の視覚・言語データ、高レベルなサブタスク予測を組み合わせています。
この研究が解こうとした問題
家庭で動くロボットは、研究室より条件が安定しません。家具の形、物の位置、照明、片付け方が住宅ごとに違い、一つの作業も「移動する」「対象を見つける」「つかむ」「運ぶ」のような複数工程に分かれます。
従来のロボット学習では、特定の環境や短い動作で良い結果を得ても、新しい住宅や長い作業に移ると失敗しやすいという課題があります。π0.5は、ここでいう未知の住宅への汎化を主題にしています。
従来との違い
π0.5は、同チームの先行モデルπ0を基礎にしています。論文で強調される違いは、異種データの協調学習と、高レベル・低レベルを同じモデルで扱う構成です。
- 高レベルでは、現在の観測と指示から「次に何をするか」というサブタスクを言語で予測します。
- 低レベルでは、サブタスクを実現するロボットの連続的な動作を生成します。
- 学習には家庭内の対象ロボットだけでなく、別形態のロボット、ウェブ画像と言語、物体検出などのデータも含めます。
提案手法の解説：二段階の学習と一つのモデル
学習は大きく二段階です。最初に多様なデータで事前学習し、その後、家庭内の移動マニピュレーションへ事後学習します。論文では、第1段階の学習例の97.6%が対象の家庭内移動マニピュレーション以外だったと説明されています。
動作表現には、離散化したFASTアクショントークンによる学習と、連続動作を予測するflow matchingの仕組みが組み合わされています。言語のような高レベル出力と、滑らかなロボット制御を同じ枠組みで扱うための設計です。
上の短い一節どおり、論文は成功例だけでなく限界も明記しています。本記事では、その部分を後段で独立して扱います。
実験・評価方法
評価には、学習で使っていない住宅が含まれます。対象作業は、台所や寝室の片付け、ベッドメイク、タオル掛けなど、複数段階で器用な操作を要するものです。論文は一部の長時間タスクを10〜15分程度と説明しています。
また、データの種類を除いた比較や、高レベル推論の方式を変えた比較も行っています。これにより、最終スコアだけでなく、どのデータや学習課題が寄与したかを調べています。
主な結果
論文の評価では、完全なπ0.5が比較した構成の中で最も高い総合結果を示しました。高レベルのサブタスクを推論時に明示しない構成でも、学習時にサブタスク予測を含めると改善が残ったと報告されています。
さらに、言語による補助指示データやウェブデータを除くと性能が低下しました。対象ロボット以外のロボットデータを除いた場合も、複数の家庭作業で悪化が確認されています。
論文が示す限界と未解決点
評価の中心は家庭内の移動マニピュレーターです。工場、屋外、対人環境などへ、そのまま一般化できると読むべきではありません。安全性、再現に必要な計算資源、学習データの入手性も、実装判断では別に検討する必要があります。
運営者の考察
日本の製造・サービス現場では、住宅と同じく設備や配置にばらつきがあります。一方、家庭より安全規格や停止条件が厳しい現場も多いため、未知環境への汎化だけを導入理由にせず、適用範囲と失敗時の制御を先に定義する必要があります。
日本の産業・研究への影響
研究面では、単一ロボットのデータ収集だけでなく、異なる装置・タスク・言語注釈をどう混ぜるかが重要になります。企業側では、熟練者の作業を収集する際に、動作だけでなく「今なぜこの工程を選んだか」という高レベル情報を残す設計が検討対象になります。
ただし、論文の400時間という記述を、そのまま必要データ量の基準にはできません。ロボット、タスク、センサー、失敗許容度によって必要量は変わります。
用語解説
- VLA：画像などの視覚情報と言語指示を受け、ロボットの動作を出力するモデルです。
- 汎化：学習時と異なる環境や対象でも、学んだ能力を使えることです。
- 移動マニピュレーション：移動台車とアーム操作を組み合わせたロボット作業です。
- 協調学習（co-training）：ここでは、種類の異なるデータや学習課題を同じモデルの訓練に組み合わせる方法を指します。
- 部分観測：必要な状態の一部が、遮蔽などにより観測できない状況です。
原論文情報
参考資料
- Physical Intelligence et al., “π0.5: a Vision-Language-Action Model with Open-World Generalization,” arXiv:2504.16054, 2025.
- Physical Intelligence, “A VLA with Open-World Generalization,” 2025.
- arXiv, “arXiv.org perpetual, non-exclusive license.”