OpenWAM：世界知識とロボット行動の事前学習を開放的に検証

概要

世界・行動モデル（WAM）は、動画生成モデルが持つ広い世界知識を、ロボットが実行できる制御信号へ変換することを目指す。一方、既存システムでは、生成バックボーン、視覚表現、行動表現、情報の流れ、推論手順、学習データが一体化していることが多い。そのため、性能向上がどの設計選択から生じたのかを切り分けにくい。

OpenWAMは、単一の巨大な構成を提示するのではなく、WAMの事前学習を再現可能な実験プログラムとして整理する。構成要素はOpenWAM-Infra、OpenWAM-Study、OpenWAM-αの三つである。

主なポイント

• 組み合わせ可能な基盤。 OpenWAM-InfraはWAMの設計空間をモジュールに分解し、学習、推論、配備、評価の手順を統一する。8つのシミュレーションベンチマークを対象に、設計の比較を行える。
• 三つの問いを検証。 OpenWAM-Studyは、上流モデルから何を継承すべきか、世界学習と行動学習をどう結び付けるか、その協調が規模拡大でどう変わるかを調べる。
• 協調を支える原則。 上流知識の移転には、十分な能力を持つ生成バックボーンと、コンパクトで情報量の高い潜在空間が必要だとする。世界と行動の協調には、専用の行動容量、明示的な世界から行動への情報経路、同期した共同デノイジングが重要になる。
• 身体データは域外汎化に寄与。 身体を伴う事前学習の主な効果を、未知の環境や分布への汎化向上として説明する。人間の一人称データとロボットデータを一段階で共同学習することで、広い世界知識と行動への接地を同時に扱う。
• 公開ベースラインを提供。 OpenWAM-αは、人間とロボットの一人称データ約6400時間、約5億1850万フレームで事前学習された。5種類の身体形態にまたがる8つのシミュレーション評価で上位の結果を示し、移動型両腕ベンチマークEBenchではプロジェクトが報告する最高結果を達成した。実世界の両腕RoboDojo-Realでは首位となり、成功率はpi0.5のおよそ2倍と報告されている。単腕や器用なハンドの実ロボットでも、代表的なWAMおよびVLAのベースラインを一貫して上回ったという。

意義

OpenWAMの意義は、方法論にある。モデルを大きくすることやデータを増やすことが有効かという曖昧な問題を、個別に比較できる実験へ変換するからだ。アーキテクチャ、データ、最適化の複合効果を、単一部品の効果と取り違えるリスクも抑えられる。

ただし、今回確認できる素材は概要と結果の要約が中心であり、各モジュールの寄与や詳細なアブレーションを独立に判断するには十分ではない。今後は、より多様なロボット形態、実環境、データ規模で原則が維持されるかが焦点になる。コードと重みが再現性を支えれば、OpenWAMは身体知能における知識移転と行動汎化を検証する共通基盤になり得る。

出典：Hugging Face Daily Papers