WAVE-0、行動前の結果予測でロボット操作を強化

概要

視覚・言語・行動（VLA）ポリシーは、画像と言語指示をもとに幅広いロボット操作を実行できるようになりました。しかし、多くのVLAは「次に何をするか」を直接出力する一方、その行動によって環境がどう変化するかを明示的には予測しません。世界行動モデル（WAM）は未来予測を導入しますが、高コストな動画生成や大規模な動画事前学習に依存する場合があります。WAVE-0は、画素ではなく潜在表現で行動の結果を予測する軽量な構成を提案します。

主なポイント

• VLAと世界モデルを接続。 事前学習済みVLAのVLMが生成した潜在行動計画を世界モデルに入力し、得られた未来表現をアクションエキスパートへ渡します。意味理解、未来予測、行動生成を一つの流れにまとめる設計です。
• 動画生成の負担を抑制。 世界モデルは2.57億パラメータで、画素再構成も大規模動画事前学習も必要としません。実ロボットの行動を基礎に、どの計画がより妥当な結果につながるかを学習します。
• 反実仮想ランキングを利用。 将来フレームを再構成する代わりに、異なる行動がもたらす潜在的な結果を比較・順位付けします。これにより、行動選択に方向性を持つ信号を与えます。
• 複数ベンチマークで高い成功率。 RoboTwin 2.0では91.47%、LIBEROでは98.7%を報告しています。LIBERO-Plus、LIBERO-Pro、LIBERO-Paraではそれぞれ88.0%、61.4%、75.0%でした。実環境タスクでは、π₀.₅の成功率が38.3%から73.3%に向上しています。

意義と今後の論点

WAVE-0の重要な点は、未来予測を学習時だけの補助目標にとどめず、実行時の行動生成へ直接組み込んだことです。ロボットは行動を選ぶ前に、「この操作の後にどのような状態が現れそうか」を潜在空間で評価できます。

この設計は、具身知能における世界モデルの現実的な導入方法も示しています。意味表現に強いVLAを土台にし、動画全体の再現ではなく行動候補の比較を学習すれば、動画生成型モデルより小さな構成で未来に関する情報を利用できる可能性があります。

一方、提供された素材だけでは、長期のタスク、環境の大きな変化、異なるロボットへの転移性能までは判断できません。それでも、潜在未来予測がロボット操作の信頼性向上に寄与しうることを示す結果です。

出典：Hugging Face Daily Papers