ロボット制御の表現設計、成功率93.6%達成

研究の概要

華中科技大学などの研究チームは、ロボットの方策学習と将来観測の予測を同時に担う「世界行動モデル」について、内部の表現空間の設計を見直した成果を発表した。論文はarXivで公開されている。

世界行動モデルでは、表現空間が制御と予測をつなぐ接点となる。研究チームは条件をそろえた比較実験を行い、画像の再構成精度が高いだけでも、事前学習済みの知覚特徴を使うだけでも、効果的な方策学習は保証されないことを示した。

この知見に基づき開発されたのが、事前学習済みの視覚特徴「DINO」を土台とする表現中心のモデル「ReWAM」である。特徴補正と、時間方向の表現ボトルネックにより、特徴をダイナミクス予測に適した compact な世界状態へ整理する。さらに「行動接地型表現整形」により、行動損失の勾配だけをボトルネックに伝える。これにより、方策が表現に含める情報を決め、世界モデルはその時間発展の予測を担うという役割分担が成立する。

性能と特徴

双腕ロボットの操作ベンチマーク「RoboTwin 2.0」で、ReWAMは**成功率93.6%**を記録した。大規模な生成的動画事前学習を用いていない点が特徴である。別のベンチマーク「RoboDojo」では平均スコア12.29、成功率8.28%を、約600時間の身体性事前学習データで達成した。RoboDojoの成功率が示す通り、難度の高い課題には依然として改善余地がある。

ビジネスへの示唆

最大の意義は、動画生成モデルの大規模事前学習に依存せずに高性能を得られる可能性を示した点にある。学習に要する計算資源とデータ収集の負担が軽くなれば、ロボット導入の初期費用を抑えられる。影響が見込まれる領域は次の通りである。

• 製造業の組立・検査工程：段取り替え時間、不良率、立ち上げ期間の短縮
• 物流の倉庫・ピッキング部門：作業成功率、1時間当たり処理件数
• 研究開発部門：学習用計算コスト、実機データ収集に要する時間

製造業では、多品種少量生産の現場で新しい作業をロボットに覚えさせる工数が課題である。表現が行動に必要な情報へ絞り込まれれば、少ない実機データでの適応が期待でき、教示工数の削減につながりうる。物流では、双腕ロボットによる仕分けや梱包など、物体の状態変化を予測しながら動く作業との相性がよい。

調達面でも含意がある。動画生成モデル向けの大規模GPUクラスターを持たない企業や大学発スタートアップにとって、公開済みの視覚特徴を活用する設計は参入障壁を下げる。ロボット導入を検討する企業は、ベンダー選定にあたり、事前学習の規模だけでなく表現設計の方式を評価項目に加える余地がある。

今後の展望

現時点の成果はシミュレーション系ベンチマークが中心であり、実工場や倉庫での再現性は未検証である。RoboDojoの成功率が一桁台にとどまることからも、長期的で複雑な作業への適用には課題が残る。

一方で、表現の設計指針が明確になったことで、今後のロボット基盤モデル開発は規模拡大一辺倒から、何を表現に含めるかという設計の最適化へ比重が移る可能性がある。実機での検証、推論速度、安全性の確認が進めば、自動化投資の費用対効果を示す根拠として、導入判断の場面でも参照されることになろう。