AR-WAM、0.5Bの視覚条件付きロボット操作モデルを公表　平均成功率87.2%

何が起きたか

arxiv.orgに2026-09-20掲載の論文で、研究者らはAR-WAMを公表した。0.5Bパラメータの視覚条件付きモデルで、言語エンコーダーを使わず、視覚エンコーダーは事前学習済みのものを凍結した構成である。RoboTwin 2.0、RMBench、実機のAstribot S1デュアルアーム基盤で評価され、標準操作で平均成功率87.2%を示したほか、記憶依存タスクと実ロボットの長時間タスクで既存手法を上回ったとされる。

詳細

AR-WAMは、対象物と位置を示すバウンディングボックスの「visual grounding prompt」と、原子的スキルを指定する学習可能な操作トークンの2条件で制御する。モデルはコンパクトな潜在状態で場面変化を予測しつつ行動をデコードし、意図を明示的で監督可能な推論信号として外部に示す設計である。 同論文によれば、ローカルVLMまたはオンラインのエージェントAPIが「detect」「execute」「query」の3原始操作を介してポリシーを直接駆動できる。長期記憶と閉ループのエラー回復はエージェント側に委ねる構成で、推論遅延は14.1 msとされる。記憶依存タスクでは成功率を5.9%改善し、実ロボットの長時間タスクでは36.7%改善したとしている。

Key Facts

本紙の見方

AR-WAMの新しさは、ロボット操作の入力を自然言語から切り離し、画像上の対象指定と操作トークンだけで制御する点にある。一方で、0.5Bパラメータ、凍結した視覚エンコーダー、言語エンコーダー非搭載という構成は、巨大化よりも制御インターフェースの単純化と低遅延化を優先した設計と読める。14.1 msという推論遅延は、長時間の計画をモデル単体で抱え込まず、エージェント側に記憶や誤り回復を分担させる思想と整合的である。 本紙の見方では、この論文は「視覚基盤の操作モデル」と「エージェント実行系」の分業を明示した点に特徴がある。従来のVLAやWAMが自然言語に依存していたのに対し、AR-WAMはdetect、execute、queryの3原始操作で外部のVLMやオンラインAPIと接続する。つまり、モデル本体は局所的な行動生成に集中し、長期記憶と閉ループ回復は周辺システムが担う構造である。これは、ロボットの賢さを単一モデルの大きさで競う段階から、周辺の実行基盤まで含めたシステム設計で競う段階へ移っていることを示す。 公開された数字からは、評価の焦点が標準ベンチマークだけでなく、記憶依存タスクと実機の長時間タスクに置かれていることが分かる。標準操作で87.2%平均成功率を示しつつ、記憶依存で5.9%、実機長時間で36.7%の改善を掲げるため、短い操作列よりも、失敗回復や状態保持を含む実運用に近い条件で差を付けたい意図がうかがえる。ただし、論文要旨から確認できるのはモデル構造とベンチマーク結果までであり、学習データの範囲、操作トークンの語彙設計、実機でのタスク構成、再現性の条件はなお確認が必要である。

なぜ重要か

自然言語を前提にしたロボット制御では曖昧さが残るが、AR-WAMは対象位置の視覚指定と操作トークンに分けることで、エージェント駆動の制御系に合わせた入力形式を提示した。論文が示す14.1 msの推論遅延と、実機の長時間タスクでの36.7%改善は、研究用ベンチマークだけでなく現場寄りの実行系で設計思想が問われることを示している。

日本への影響

日本企業や研究機関にとっては、ロボット本体の性能だけでなく、視覚入力、操作トークン、長期記憶、エラー回復を分担するシステム設計が競争点になりうる。ただし、この論文からは日本の特定部材、供給網、導入先への直接的な示唆は読み取れない。