GreenWAM、ロボットの世界モデルと行動方策を一つに統合

導入

ロボットが現実世界で作業するには、観測から次の動作を選ぶ方策だけでなく、その動作によって周囲の状態がどう変化するかを予測する世界モデルも必要になる。これまで両者は別々に構築されることが多く、さらにロボットごとに関節や動作の記録形式が異なるため、学習結果を別の身体へ移すのは容易ではなかった。GreenWAMは、この二つの能力とロボット間の表現を一つの基盤モデルにまとめようとする研究である。

GreenWAMの設計

中心となるのは、異なる身体を共通の表現で扱う仕組みだ。

• 共通の解剖学的行動空間：双腕ロボットから器用なヒューマノイドまで、20種類のロボットファミリーを共通の関節座標で記述する。これにより、行動の知識が特定の機体だけに依存することを抑える。
• 複数モードの共同学習：視覚、行動条件付き、世界—行動の各モードで学習する。現在の画像を理解するだけでなく、動作後の状態を予測し、観測・行動・結果の関係を学ぶ構成だ。
• 行動エキスパートの分離：世界モデルとしては、ある行動を選んだときの将来を生成・予測する。一方、制御時には生成器から行動エキスパートを切り出し、より直接的に動作を出力できる。統一表現を保ちながら、リアルタイム性も考慮した設計である。

評価で示されたこと

論文概要によれば、GreenWAMはWorldArena 1.0で軌跡、深度、3D精度について高い水準を達成し、比較対象に含まれた世界—行動モデルや動画生成モデルを上回った。方策としてはRoboTwin 2.0で上位に入り、比較手法の中でLIBERO-plusのゼロショット成功率が最も高かったとされる。また、CALVINとLIBEROでも、専用の視覚—言語—行動モデルや世界—行動方策と競合する結果が報告されている。

さらに、実際のヒューマノイドへの適応も行われた。概要では、π0.5およびCosmos 3 Edgeから適応した方策より高い成功頻度を示したと説明されている。チームはリアルタイム制御に向け、モデルを単一ステップ方策へ蒸留した。ただし、提供された素材にはタスク別の数値、機体構成、訓練規模や統計的な不確実性は記載されていない。

意義と課題

GreenWAMの意義は、未来予測と行動決定を別々の機能ではなく、同じロボット表現の異なる利用方法として扱う点にある。もしこの表現が複数の身体で有効なら、あるロボットで得たデータを別の機体の学習に生かしやすくなり、世界モデルから軽量な制御方策を作る道も広がる。

一方、共通の関節空間だけでセンサー、運動学的制約、接触特性、遅延、データ品質の違いが消えるわけではない。シミュレーションの成績が長時間の実環境運用に直結するとも限らない。今後は、学習データの内訳、計算コスト、失敗例、再現性を含む公開情報が、汎用的なロボット基盤モデルとしての実力を判断する鍵になる。

出典：Hugging Face Daily Papers