ACE Robotics、エヌビディアCosmos系の世界行動モデルに動作推論器、曖昧な指示で成功率20.6%から31.6%に
世界行動モデルに次の単位動作を先に説明させると、120タスクのRoboLabシミュレーション基準で曖昧な指示の成功率が20.6%から31.6%に、標準の指示では36.8%から39.6%に上がったと、ACE Roboticsと浙江大学、香港大学、江南大学の研究チームが10月14日公開のプレプリントで報告した。エヌビディアのCosmos3-Nanoの上に推論器を載せ、ロボットが実際に動作をやり遂げたかを報酬にして推論器を学習させた。
「赤いものを箱に入れて」のようなタスク単位の指示を受けたとき、映像ベースの世界行動モデルが行動を生成する前に、推論器が次の単位動作（どの物体を、どこをつかみ、どこへ動かすか）を書き出すと効果があるのかを問う。
世界行動モデル（WAM）は映像基盤モデルをロボット制御向けに作り替え、未来の映像と行動を同時に予測する。指示は接近、把持、搬送、解放を通じて変わらず、対象物や位置関係を省くことも多いため、モデルは意味と現在の段階を自分で推し量らねばならない。言葉の具体性によって予測映像がはっきり変わる。
DROIDデータで学習したエヌビディアのCosmos3-Nano-Policyは、指示と現在のカメラ映像を直接、映像と行動チャンクに変換する。階層型VLAは計画器を足すが、言語上のもっともらしさだけで学習した計画器は、下位方策が実行できない動作を提案しがちだ。
Atomic-WAMは役割を分ける。Cosmos3-Nanoで初期化した視覚言語推論器が指示と直近数フレームを読み、次の単位動作を対象、見えている把持点、グリッパー位置まで含めて短く記述する。同じくCosmos3-NanoベースのWAMがそれを受けて未来の映像と32ステップの行動チャンクを予測する。自動注釈パイプラインで成功したDROIDデモ5万7000本を単位動作36万9000区間に切り分け、教師データにした。続いて実行に基づくGRPO（EG-GRPO）という強化学習で推論器を仕上げ、記述の適切さに加えて、凍結したWAMがその動作を実際に完遂したかを報酬にする。
RoboLabの120タスクを各10シードで評価すると、Atomic-WAMは標準の指示で成功率39.6%、サブタスク進捗スコア53.7、曖昧な指示で31.6%と46.7だった。公開版Cosmos3-Nano-Policyはそれぞれ36.8%と20.6%。指示が曖昧になったときの低下幅は8.0ポイントで、基準モデルの16.2ポイントの約半分にとどまった。視覚的な対象特定のタスクは26.1%から34.0%（標準）、13.5%から26.3%（曖昧）に伸びたが、手順系のタスクは25.9%と基準の27.3%をやや下回った。切除実験では、単位動作の記述で再現版基準が30.0%から32.5%に、把持点とグリッパー情報の追加で36.7%に、EG-GRPOで39.2%に上がり、実行報酬なしのGRPOでは34.2%に下がった。推論器をGPT-5.6ベースのCodexエージェントに置き換えると64タスク中33、やり直しを許すと50を完了し、学習済み推論器の23を上回った。
プレプリントであり、主要な数値はすべて実機ではなくシミュレーション（real-to-sim基準）の結果だ。向き変えや積み上げといった手順系の技能では改善がなく、そこではWAM自体が律速となる。EG-GRPOの実行報酬は人が960回のロールアウトを判定して得ており、規模を広げにくい。バッチを小さくしたため著者の再現版基準は30.0%と公式チェックポイントの36.8%を下回り、切除比較の読み方には注意が要る。
エヌビディアのCosmos基盤の映像型ロボットモデルに、言語推論を前置きする実用的な方法を示した。汎用エージェントが賢くても実行のフィードバックがなければ効果が限られるという結果は、大規模言語モデルを動作方策に重ねようとする日本の開発チームにとっても設計上の教訓になる。ACE Roboticsの参加は、産業界の研究組織が公開された世界モデルの上で直接開発を進めていることを示す。自動の実行判定器などの後続研究は数カ月内に出てきそうだが、現場導入はまだ先だ。
この論文はライセンス上、全文を転載できないため、要約と原文へのリンクのみを掲載しています。