「机の上を片づける」という指示の中には、近づく、物をつかむ、運ぶ、置くといった短い動きがいくつも入っている。しかし、ロボットの学習記録には、作業全体の名前しかない場合がある。Xueyuan Wei氏らが提案したRoboAtom-Dataは、長い作業を短い行動に分け、いつ何をしているかを共通の方法で記録する仕組みだ。

研究者は145万件の動作記録に対して、688万件の短い技能の区間を付けた。合計の記録時間は16,882.1時間に上る。人が付けたラベルを、同じ順番で繰り返す作業へ広げる方法と、何段階もの品質確認を組み合わせている。別に用意したテストでは、どの技能が行われたか、いつ始まりいつ終わったかを見分ける。

論文では、このデータで学んだモデルが、比較した他のモデルより高い認識性能を示したと報告する。短い行動の情報を使って作業を段階的に進める方法も、複数のロボット用テストで成功率を改善したという。ただし、すべての改善幅が短い説明に示されているわけではない。データや道具の公開は今後の予定である。

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。 短い動きの始まりと終わりに同じ方法で印を付けると、違う記録を合わせやすい。ただし区切りが間違っていれば学習も乱れる。 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。