FY26W18 ロボティクス論文まとめ

一言概要: 2B〜122Bの規模でロボット操作に直結する接触点予測・3Dグラウンディングを備えた身体性認知基盤モデルRynnBrain 1.1を提案する。

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・計画といった能力を統合することが求められており、前バージョンRynnBrain 1.0からさらにロボット操作との整合性を高め、多様な身体への汎化性を強化する必要があった。

提案手法: 統一された時空間・物理接地フレームワークで学習し、モデル群全体に接触点予測を、2B/9Bモデルにはネイティブな3Dグラウンディングを新たに導入した。統一されたクロス身体行動空間を持つRynnBrain-VLAも開発し、Unitree G1・Astribot-S1・Tianji-Wujiに実装している。

結果: VSI-Bench、MMSI、RefSpatial-Benchにおいて122B-A10Bモデルが評価対象の全ての商用・オープンソースモデルを上回った。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・マルチ身体学習が成功率を向上させた。

一言概要: 観測・目標指定・出力形式・評価方法がばらばらだったロボット学習の「進捗報酬」研究を、統一的な視点から整理するサーベイ論文。

背景・目的: ロボット学習では成功か否かの終端信号だけでは現在の行動が進捗しているのか停滞・後退しているのかが分からず、進捗に応じた報酬を与える研究が増えている。しかし観測・目標指定・出力信号・教師データ・評価方法が手法ごとにばらばらで、成果を比較し理解することが難しい状況にあった。

提案手法: 進捗報酬モデルを「インターフェース(何を受け取り何を出すか)」「内部の構築手法」「支えるデータとベンチマーク」という3つの連結した視点から整理し、各研究の前提とメカニズムの違いを明らかにした。何が進捗として測られているかを外側・内側の両面から捉え直している。

結果: 進捗報酬モデルとは何か、どう構築されるか、その質がどう検証されるかを一貫した枠組みで結びつけることに成功した。現行アプローチの主な限界と今後の研究方向をまとめ、乱立していた手法群を比較可能にする分野の見取り図を提供している。

一言概要: 認知・計画・修正・指し示しを単一アーキテクチャに統合し、8Bパラメータで多数のベンチマークを制する身体性基盤モデルEmbodied-R1.5を提案する。

背景・目的: 汎用的な身体性知能の実現には身体性認知・タスク計画・修正・指し示しといった能力を包括的に扱う必要があるが、これらを単一モデルで統合することは困難だった。長期タスクにおける自律実行と自己修正の両立も課題として残されていた。

提案手法: 3つの自動データ構築パイプラインで150億トークン規模のデータを整備し、異種タスク間の競合を緩和するマルチタスク均衡RLを設計した。Planner-Grounder-Corrector(PGC)閉ループにより、単一モデルが長期タスクを自律実行しながら自己修正できるようにしている。

結果: わずか8Bパラメータで24の身体性VLMベンチマーク中16でSOTAを達成し、Gemini-Robotics-ER-1.5やGPT-5.4を上回った。少量データでのVLA微調整によりπ_{0.5}など主要VLAを4つの操作ベンチマークスイートで上回り、実ロボットでのゼロショット実験でも強い汎化を確認した。

一言概要: ロボット不要で収集できるUMIデータの忠実度を高めることで、実ロボットteleoperationなしで展開可能な操作方策を学習する手法HiFi-UMIを提案する。

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であり、実ロボットteleoperationは高精度だが高コスト、ロボット不要のUMI収集は手軽だが主に事前学習の補助用途にとどまっていた。実ロボットの「アンカー」データを減らせるかが問われていた。

提案手法: 頭部装着型のオフラインステレオ慣性SLAM、グリッパー間相対姿勢、マイクロ秒同期トリガー、約200度をカバーする広角カメラを備えたポータブルUMIデータ収集システムを構築し、外部トラッキング無しで3mmの精度を実現した。

結果: HiFi-UMIデータのみで事後学習した方策が実ロボット上でteleoperationベースラインと同等の性能を示し、精密挿入タスクでは85%の成功率を達成した。同コーパスでの事前学習により未知タスクの行動誤差を41%削減し、実ロボット成功率をさらに18.1ポイント向上させた。

一言概要: 大規模言語モデルを介さず視覚と言語を直接結び付けることで、RTX 4090上で32Hz・1GB未満のVRAMで動くリアルタイムVLAモデルTurboVLAを提案する。

背景・目的: 既存のVision-Language-Action(VLA)モデルは視覚情報を大規模言語モデルの表現空間に投影してから行動へ変換するV→L→A方式が主流だが、この設計は推論のたびに大きな計算・メモリコストを伴い、実機での展開を難しくしていた。

提案手法: 大規模言語モデルを中心的なインターフェースとせず、視覚と言語をそれぞれ独立にエンコードして軽量な双方向相互作用で直接結び付け、コンパクトなデコーダで連続的な行動チャンクを予測するV+L→A方式を提案した。

結果: LIBEROにおいて0.2Bパラメータ、31.2ms推論遅延、0.9GB推論VRAMという軽量構成でありながら平均成功率97.7%を達成し、はるかに大規模なVLA方策と同等かそれを上回る性能を示した。

一言概要: 事前学習済み幾何基盤モデルを知覚・予測・行動生成の共有基盤として転用し、接触の多い操作の3D幾何を明示的に扱うGAMを提案する。

背景・目的: 汎用ロボット方策は物体・カメラ・行動が3D物理世界でどう相互作用するかを推論する必要があるが、既存のVision-Language-ActionモデルやWorld-Action-Modelは主に2D画像フレームや2D由来の潜在空間で動作し、接触の多い操作に必要な3D幾何を暗黙のままにしていた。

提案手法: 事前学習済み幾何基盤モデル(GFM)を中間層で分割し、浅い層を観測エンコーダ、分割層に挿入した因果的未来予測器が言語・固有受容感覚・行動履歴を条件として未来の潜在トークンを予測、残りのGFMブロックで特徴伝播と行動デコードを行う設計とした。

結果: シミュレーションと実ロボットの幅広い操作ベンチマークにおいて、現行の基盤モデル規模のベースラインより高精度・高頑健性・高速・軽量であることを示した。最小限のアーキテクチャ変更で豊かな幾何事前知識を保持できている。

一言概要: 同期したRGB・深度・光学フローを単一の拡散過程で同時生成し、行動出力まで一貫させる4D身体性世界モデルRynnWorld-4Dを提案する。

背景・目的: オープンワールドでのロボット操作にはシーンの見た目の認識だけでなく、相互作用に伴う3D構造の動きを予測する必要があり、2D画像動画だけでは見た目・幾何構造・時間的な動きの整合が取りにくく、世界予測と方策学習の間にギャップが残っていた。

提案手法: 同期したRGB・深度・光学フロー(RGB-DF)を物理的に接地した表現と位置づけ、単一のRGB-D画像と言語指示から未来のRGBフレーム・深度マップ・光学フローを1つの拡散過程で同時生成するトライブランチアーキテクチャを提案した。2億5440万フレーム規模のRynn4DDataset 1.0も新たに構築している。

結果: 時間的・空間的に一貫した4D予測を生成でき、内部の4D表現を1回の順伝播で消費して行動を出力するRynnWorld-4D-Policyが、空間精度と時間協調を要する実世界の双腕巧緻操作タスクで最高水準の性能を達成した。