FY26W22 ロボティクス論文まとめ

一言概要: 2Bから122Bまでの身体性基盤モデル群に接触点予測と3Dグラウンディングを追加し、実ロボットでの操作性能を高めたRynnBrain 1.1を発表した。

背景・目的: 身体性AIの基盤モデルには、知覚・空間推論・位置推定・計画を統一的に扱う能力が求められる。前バージョンのRynnBrain 1.0からさらに、ロボット操作に直結する接触点予測や3D空間の接地表現を各スケールのモデルに組み込む必要があった。

提案手法: RynnBrain 1.1は2B・9B・122B-A10Bの3スケールからなる身体性基盤モデル群で、統一的な時空間かつ物理的根拠を持つ枠組みで学習される。接触点予測を全モデルに導入し、2Bと9Bにはネイティブな3Dグラウンディングを追加した。さらに統一されたクロス身体行動空間と身体固有マスキングを持つRynnBrain-VLAを開発し、Unitree G1やAstribot-S1など複数の実機に展開した。

結果: RynnBrain 1.1はVSI-Bench・MMSI・RefSpatial-Benchで評価された全ての公開・非公開モデルを122B-A10Bモデルが上回った。実ロボット実験でもQwenベースや代表的な汎用VLAを上回る性能を示し、マルチタスク・マルチ身体の共同学習が単一タスク学習より高いプロセススコアと成功率をもたらすことが確認された。

一言概要: 服薬忘れのような人の状態そのものを継続的に知覚・推測・支援する、人間中心のエージェント型AIという新しいパラダイムCombodied Agentsを提唱した。

背景・目的: 服薬を忘れた高齢者にソフトウェアエージェントは再通知を送り、身体性エージェントは薬を届けられるが、なぜ忘れたのか、混乱しているのか、副作用があるのか、あえて拒否したのかは説明できず、どんな支援が適切かも判断できない。既存のエージェント型AIはソフトウェア状態か物理状態の変化に注力し、人の状態そのものを主目的にしてこなかった。

提案手法: 著者らはCombodied Agentsという人間中心のパラダイムを提案し、ソフトウェアツール・センサー・ウェアラブル・ロボット・人的サービスを目的そのものではなく行動チャネルとして用い、人の状態軌道を知覚・推測・予測・支援する閉ループを構築する。イベント単位の多モーダル知覚、修正可能な長期記憶、意思決定の帰結を推定するPersonal World Models、同意や不確実性、安全性を踏まえて支援を選ぶ許容可能な介入方針から構成される。

結果: 本論文はパーソナルデジタルツインを網羅的に構築する代わりに、目的限定的で不確実性を考慮した修正可能な表現を用いる枠組みを整理し、人の状態を軸とした評価指標、ベンチマーク要件、エッジネイティブな個人モデル、ガバナンスの方向性を提示することで、外部タスク完了志向から持続的な人の便益重視へとエージェント型AIの視座を転換することを提案した。

一言概要: ロボット学習における「進捗報酬」に関する研究を、インターフェース・手法・データという3つの視点で統一的に整理した包括的なサーベイ論文。

背景・目的: ロボット学習は行動空間の広い動的環境で行われるが、タスク完了の成否のみを示す終端報酬では、現在の行動が進捗しているのか、変化がないのか、以前の進捗を損なっているのかを説明できない。そのため実行途中でフィードバックを与える「進捗報酬」の研究が近年増えているが、観測・目標指定・出力信号・教師情報源・評価方法がまちまちで、比較や理解が困難になっていた。

提案手法: 本サーベイは進捗報酬モデリングを、モデルが受け取る情報と出力する信号を定義する「インターフェース」、信号を構築する「手法」、それらを支えるデータとベンチマークという3つの連結した視点で統一的に整理した。それぞれの視点から前提や仕組みの違いを明らかにし、進捗の教師情報がどう得られ、評価が実際に何を測っているかを示している。

結果: この整理を通じて著者らは、進捗モデルとは何か、どう構築されるか、その質がどう検証されるかを結び付け、現行手法の主な限界点を要約し、今後の研究方向を議論した。分野横断的な比較を可能にする共通の枠組みを提示したことが本サーベイの主な貢献である。

一言概要: 実ロボットによる遠隔操作なしで、高精度なUMIデータのみから実機に直接展開可能な操作方策を学習する手法HiFi-UMIとそのデータ収集システムを提案した。

背景・目的: 展開可能な操作方策の学習は高忠実度かつスケーラブルなデータの不足がボトルネックとなっている。実ロボットによる遠隔操作は正確だが拡張コストが高く、ロボット不要のUMI収集はスケールしやすい一方、通常は事前学習用途に限られ、事後学習では少量の実ロボットデータを「アンカー」として追加する必要があった。

提案手法: 著者らは、実ロボット比率を減らすのではなくUMIデータの忠実度自体を高めることでアンカーを不要にできるか検証するため、頭部装着型のオフラインステレオ慣性SLAM、再構成でなくネイティブな相対姿勢、共有マイクロ秒GPIOトリガー、約200度をカバーする両手用広角カメラを備えたポータブルなUMIデータ収集システムHiFi-UMIを開発し、外部トラッキングなしで3mmの精度を達成した。

結果: HiFi-UMIのデータのみで事後学習した方策は、3つの異なるバックボーンで実機の遠隔操作データによる方策と同等の性能を示し、精密な挿入タスクでは85%に達した。同一データからの4000時間の事前学習は10種の未知タスクで行動誤差を41%削減し、2000時間分のデータセットHiFi-UMI-2Kも公開された。

一言概要: 基盤方策を固定したまま実行中にランタイム批評家と回復スキルをオンラインで進化させ続ける、自己進化型の閉ループ身体性エージェントの枠組みZettaを提案した。

背景・目的: 身体性エージェントはエンドツーエンドの方策モデルの限界を補うために利用が広がっているが、既存のハーネスの多くは実行中固定されたスキルに従うオープンループで、エピソード終了後にしか反省できない。物理的な相互作用は現行のエージェントモデルより高い頻度での判断を要するため、事後的な反省だけでは実行そのものを制御できないという課題があった。

提案手法: Zettaは、基盤方策を固定したままコードベースのランタイム批評家と回復スキルをオンラインで進化させる閉ループの身体性ハーネスである。行動頻度を統制するループ、ロールアウト単位で批評家と回復策を提案するループ、検証を経てスキルを更新するループという3つの時間スケールを分離したループで構成され、エージェントのロジックと実行資源を分離するロールアウト基盤Z-Infraと組み合わせて動作する。

結果: ZettaはLIBERO-ProとRoboCasaでそれぞれ90.8%・93.6%という最先端の成功率を、11.1倍の推論高速化とともに達成した。自己探索の経験が増えるほど成功率が向上し続け、学習したスキルはゼロショットで転移し、明確な「アハ体験」のような挙動の出現も観察された。

一言概要: 大規模言語モデルを介さず視覚と言語の情報から直接行動を予測することで、RTX4090上で32Hzのリアルタイム動作を実現する軽量VLAモデルTurboVLAを提案した。

背景・目的: 視覚言語行動(VLA)モデルの多くは、視覚観測を大規模言語モデルの表現空間に投影してから行動へデコードするV→L→Aという経路を採用しているが、この設計は方策を呼び出すたびに大きな計算・メモリコストを要する。

提案手法: TurboVLAは、従来のV→L→A経路を直接的なV+L→Aという写像に再定式化する新しいVLAパラダイムである。大規模言語モデルを知覚と行動の中心インターフェースとして使う代わりに、視覚観測と言語指示を独立に符号化し、軽量な双方向の視覚言語相互作用で情報を交換し、コンパクトなデコーダで連続的な行動チャンクを直接予測する。

結果: LIBEROにおいてTurboVLAはわずか0.2Bパラメータ、31.2msの推論レイテンシ、コンシューマ向けRTX4090上で0.9GBのVRAMという条件で平均成功率97.7%を達成し、はるかに大規模なVLA方策に匹敵ないし上回る性能を示した。

一言概要: 各腕の識別性と操作対象物体の一貫性を保ちながら未来映像を予測する、ロボット操作向けの行動条件付き動画世界モデルDreamX-Phi 1.0を提案した。

背景・目的: 行動条件付きの動画世界モデルは観測フレームと言語指示、指定された行動系列から将来観測を予測できるが、映像がもっともらしく見えても実際には誤った腕を動かしたり操作対象の物体を見失ったりすることがあり、リアリズムだけでは行動への忠実性を保証できないという課題があった。

提案手法: DreamX-Phi 1.0は、各腕の指令経路への忠実性を保つためPRoPE式の幾何学的エンコーディングでSE(3)変換を注意機構に注入し、腕の識別性と剛体運動構造を保持する。さらにシーンレベルの幾何を扱う軽量な深度分岐を追加し、SAM3のマスクと凍結したV-JEPA教師モデルを用いて把持動作を通じた物体の一貫性を維持する。多段階の生成器は分布マッチング蒸留により少数ステップの生徒モデルへ圧縮される。

結果: DreamX-Phi 1.0は執筆時点でWorldArena 2.0チャレンジのTrack 1で1位、Track 2で2位を獲得した。モデルとコードは公開予定であり、精密なロボット操作向け世界モデルとして高い実用性が示された。