ヒューマノイドのための二つの脳 — GR00T N1とHelix

┌────────────────────────────────────────────────────────────┐
│       ヒューマノイドのデュアルシステム構造(概念)         │
└────────────────────────────────────────────────────────────┘

   カメラ・言語の指示
        │
        ▼
  ┌─────────────────────────┐
  │  System 2 (遅い脳)       │   低い周波数(例: 数Hz)
  │  - ビジョン-言語理解      │
  │  - 場面解釈・作業計画     │   「何をするか」
  │  - 意味的推論            │
  └───────────┬─────────────┘
              │  潜在表現(意図・目標) ──▶
              ▼
  ┌─────────────────────────┐
  │  System 1 (速い脳)       │   高い周波数(例: 数十~数百Hz)
  │  - 低レベルの運動制御     │
  │  - diffusion/連続行動     │   「どう動くか」
  │  - バランス・精密操作     │
  └───────────┬─────────────┘
              ▼
       関節トルク/位置の指令  ──▶  ロボットが実行

二つのシステムの時間スケールとデータの流れ

  t(時間) ─────────────────────────────────────────▶

  System 2:   [計画]            [再計画]            [再計画]
              │                  │                   │
              ▼ (潜在意図)       ▼                   ▼
  System 1:   ▮▮▮▮▮▮▮▮▮▮▮▮▮▮▮▮▮▮▮▮▮▮▮▮▮▮▮▮▮▮▮▮▮▮▮▮▮▮
              (速い制御ステップが密に連なる)

  → 遅い計画が速い制御の「舵」を更新する

┌────────────────────────────────────────────────────────────┐
│                  GR00T N1(概念的な構成)                   │
└────────────────────────────────────────────────────────────┘

   複数カメラ・言語の指示
        │
        ▼
  ┌──────────────────────────┐
  │  ビジョン-言語モジュール(遅)│  場面理解・指示の解釈
  └────────────┬─────────────┘
               │  潜在文脈
               ▼
  ┌──────────────────────────┐
  │  diffusion 行動モジュール(速)│ 連続行動をデノイジングで生成
  └────────────┬─────────────┘
               ▼
        ヒューマノイドの関節制御

┌────────────────────────────────────────────────────────────┐
│        多様なデータ出所を結合する学習(概念)             │
└────────────────────────────────────────────────────────────┘

  ┌────────────┐  ┌────────────┐  ┌────────────┐  ┌──────────┐
  │ 実ロボット  │  │ シミュレーション│ 人の映像    │  │ ウェブVL │
  │ 実演        │  │ (合成軌道)  │  │ (動作観察) │  │ データ   │
  └─────┬──────┘  └─────┬──────┘  └─────┬──────┘  └────┬─────┘
        └───────────────┴────┬─────────┴──────────────┘
                             ▼
                  ┌────────────────────┐
                  │  共同学習           │
                  │ (co-fine-tuning)    │
                  └─────────┬──────────┘
                            ▼
                  ヒューマノイド方策(GR00T N1)

┌────────────────────────────────────────────────────────────┐
│                  Helix(概念的な流れ)                      │
└────────────────────────────────────────────────────────────┘

   車載カメラ + 音声/テキストの指示
        │
        ▼
  ┌──────────────────────────┐
  │  遅いシステム(理解・計画) │  場面・指示を意味的に解釈
  └────────────┬─────────────┘
               │  潜在意図
               ▼
  ┌──────────────────────────┐
  │  速いシステム(運動制御)  │  上半身・手の連続制御を高周波で
  └────────────┬─────────────┘
               ▼
        ヒューマノイドの上半身・両手の動作

┌──────────────────────────────────────────────────────────┐
│            System 2 → System 1 ハンドオフ(概念)         │
└──────────────────────────────────────────────────────────┘

  System 2 (遅い脳)
     │  場面理解 + 作業計画
     ▼
  ┌──────────────────┐
  │ 潜在意図ベクトル z │   「このコップに向かって滑らかに近づき握れ」
  └────────┬─────────┘     (座標ではなく抽象的な意図)
           │  周期的に更新(低い周波数)
           ▼
  System 1 (速い脳)
     │  zを条件に連続行動を生成(高い周波数)
     ▼
  ┌──────────────────┐
  │ 関節トルク/位置    │  ──▶  ロボットが実行
  └──────────────────┘

周波数の整列(概念的な数値、実際は実装ごとに異なる)

  System 2:  数Hz 程度        (計画・再計画)
  System 1:  数十~数百Hz 程度  (低レベル制御)

  → 一つの遅い計画の間に速い制御が何度も実行
  → 環境が速く変わると速い脳がまず対応し、
     遅い脳は次の計画で大きな絵を更新

┌──────────────────────────────────────────────────────────┐
│          移動-操作の相互作用(概念)                     │
└──────────────────────────────────────────────────────────┘

   上半身(腕・手)          下半身(脚・バランス)
   操作作業                支持・移動
       │                     │
       └────── 重心の変化 ────┘
                 │
                 ▼
        ┌──────────────────┐
        │  全身協調が必要    │  腕を伸ばすと脚がバランスを補正
        └──────────────────┘

  → 速い脳(System 1)が全身を併せて考えて制御すると安定的

┌──────────────────────────────────────────────────────────┐
│            ドメインランダム化(概念)                     │
└──────────────────────────────────────────────────────────┘

  シミュレーションで学習ごとに無作為に変更:
    - 照明・色・質感
    - 摩擦・質量・慣性
    - カメラ位置・ノイズ
        │
        ▼
  ┌──────────────────┐
  │  多様な変動に      │   特定の条件に過適合しない
  │  頑健な方策        │   ──▶  実環境への転移が容易
  └──────────────────┘

デュアルシステムでの遅延問題(概念)

  System 2 の計画周期が遅すぎるとき:

   t ───────────────────────────────────▶
   計画(古い) ─────────────── 次の計画
   System 1:  ▮▮▮▮▮▮▮▮▮▮▮▮▮▮▮▮▮▮  ← その間、古い意図で制御
                                    環境が変わるとずれる

  → 計画周波数、意図の更新方式、安全ガードを併せて設計する必要

一般化された形態の論理(概念)

  専用ロボット:  作業ごとに異なる機械設計
                + 単一作業に最適
                - 新しい作業ごとに新しいハードウェア

  ヒューマノイド: 一つの形態で多様な作業
                + 人の環境・道具を再利用
                - 制御難度が高い(自由度・バランス)

  → 「ハードウェアの一般化」と「ソフトウェアの一般化(VLA)」が出会う地点

データフライホイール(概念)

   より多くのデータ ──▶ より良い方策
        ▲                  │
        │                  ▼
   より多くの展開  ◀── より広い作業の遂行
        (現場で新しいデータを収集)

  ※ 安全・信頼性が満たされてこそ、この循環が実際に回る

代表的な目標作業の領域(概念)

  ┌─ 片付け・搬送: 物を運び、分類し、整える
  ├─ 両手協調: 両手で一緒に扱う必要がある作業
  ├─ 柔らかい操作: 布・ひも・柔軟な物体の取り扱い
  └─ 道具の使用: 人が使っていた道具をそのまま活用

  → 定型化しにくい「多様で変動の多い」作業ほど
     VLAの汎化・言語指示の価値が大きくなる

比喩と工学的実装の差(概念)

  認知の比喩:   速い直観  ↔  遅い熟考
                  │             │
  工学の実装:   高周波制御  ↔  低周波計画
              (小さな方策)    (大きなVLM)

  → 比喩は「役割分担」の直観を与えるだけ
     実際の設計は遅延・周波数・安全・データで決まる

┌──────────────────────────────────────────────────────────┐
│            ロボットVLAの大きな絵(三編のつながり)       │
└──────────────────────────────────────────────────────────┘

  第1編: VLMを方策へ → 離散行動トークン (RT-2, OpenVLA)
        │  (意味的汎化、しかし離散化・周波数の限界)
        ▼
  第2編: 連続行動生成 → 滑らかさ・高周波 (Diffusion Policy, π0)
        │  (多峰性・滑らかさ、flow-matchingで速い制御)
        ▼
  第3編: ヒューマノイドへ拡張 → デュアルシステム (GR00T N1, Helix)
        (遅い理解 + 速い制御、全身協調・sim-to-real)

  共通の土台: 多様なデータ(Open X-Embodiment)、効率的な適応(LoRA)、
            安全ガードレール、そして認識と行動の統合