部屋の地図を見ればドアの位置は分かるが、どちらに開くのか、どれほどの力が必要なのかは分からない。Dibyendu Ghosh氏が提案したPhysVLMMは、動く部品の性質について、まだ分からない部分も含めて記録する方法だ。ロボットが引く力を測ると情報が更新され、計画を立てる仕組みは、決めた危険度の範囲で動かせそうかを問い合わせられる。

動く様子を見ただけでは仕組みを一つに決められない。実際に引いて測った情報も、その部品と引いた方向についての証拠に限られる。そこで複数の可能性と確からしさを残し、形が似た未確認の部品にも一部の情報を共有する。証拠が足りなければ答えを保留できる。

18軒の本物のドアと引き出しでは、部品のつなぎ目の種類を86％で判定した。比較した画像一枚の方法は48％だった。動きの予測誤差は比較対象より小さく、計算時間も一例当たり13ミリ秒と報告された。ただし、すべての家庭や機械で安全に使えると証明した結果ではない。

技術者が注目すべきなのは、良い数字だけでなく再現できる条件だ。装置の構成、学習データ、評価の手順、制御の速さ、実験を止める条件をそろえなければ、公平な比較は難しい。平均値が良くても、まれに起こる失敗を見落としてはいけない。計算に使う時間や試行回数も同じ条件で比べる必要がある。別の研究者が別の装置で再現するまでは、発表された改善は研究者が選んだ実験条件の中での証拠として読むべきだ。 引く力、動く方向、予測の不確かさを別々に測ることが大切だ。知らないドアを開ける前には、間違って安全と判断した場合も調べる必要がある。 研究の比較では、使った道具や試した回数が違うだけで結果が変わることがある。平均の成功率が高くても、少ない回数で大きな失敗が起きないか、別の場所でも同じように動くかを調べたい。発表された数字をそのまま製品の性能と考えず、条件を読んで判断することが大切だ。