ASENA、Unitree G1で自己進化型エージェントを実演　4BのASENA-VLNも提示

何が起きたか

ASENAは2026-09-30、実体ナビゲーション向けの自己進化型エージェント「ASENA」を公表した。システムは汎用コーディングエージェントをロボットの知覚、計算、監督実行、持続的経験に接続し、モデル重みを固定したまま、プログラムの記述・実行、記録結果の点検、失敗修復、ノートや実行可能スキルの再利用を行えるとした。あわせて、4Bの単眼ナビゲーション方策「ASENA-VLN」を提示し、Unitree G1での実演も示した。

詳細

ASENA-VLNは、延伸経路と短期行動の両方について、共有の視覚言語デコーダーで身体座標系の軌道を予測する。学習には、経路指示、視覚質問応答、幾何由来の原子的ナビゲーション課題から新たにまとめたデータセットを用いたとしている。 性能面では、ASENA-VLN単体でR2Rの成功率68.7%、RxRで70.2%を達成した。コーディングエージェントと統合すると、学習済みナビゲーションによりエージェント型ベンチマークで成功率が11ポイント改善し、実行時間も短縮したという。持続的なワークスペース進化とシミュレーターのフィードバックにより、100タスクの反復サブセットを10回通すと、R2Rは72%から98%へ、RxRは65%から89%へ改善したとしている。

Key Facts

本紙の見方

今回の発表で新しいのは、ロボットを単独の方策としてではなく、コードを書き、実行し、失敗を修復し、経験を蓄積して再利用する「実体エージェント」の枠組みに置いた点である。ASENA-VLNの4B単眼方策はその一部であり、本体はむしろロボット操作を計算ループに接続する仕組みだと読める。R2R 68.7%、RxR 70.2%という単体性能も重要だが、11ポイント改善や10回の反復でR2R 72%→98%、RxR 65%→89%といった数字は、固定重みのまま周辺の実行環境を磨く発想に重心があることを示す。 本紙の関連記事leaderobot.com、人形ロボット特許の中国比率60.8%を報じるが示したように、議論の中心は本体硬件だけでなく制御や「大脳系」へ移っている。ASENAはこの流れに沿い、モデル重みを固定しながら、記録結果、修復、ノート、実行可能スキルの再利用で行動を積み上げる設計を前面に出した点が特徴である。単なるナビゲーション精度の更新ではなく、再実行可能な手順を積層していくことが価値の中心に置かれている。 Unitree G1での実演は、事前地図なしでの探索、視覚検査、空間推論、ジェスチャー生成を1つの流れにまとめた点に意味がある。ここからは、屋内移動の成功率だけでなく、どの程度の作業をオンラインで合成できるかが競争軸になるとみられる。とくに、R2RとRxRの改善がシミュレーターのフィードバックと反復処理に依存しているため、実機展開ではデータ収集の設計、失敗の記録形式、再学習に使えるログの粒度が焦点になる。Unitree G1での実演が示した範囲を超えて、他機種や異なる環境にどこまで移せるかも未確定である。

なぜ重要か

ASENAは、ロボットの移動を単発の推論ではなく、プログラム実行と経験蓄積を含む循環として扱うため、実機での挙動改善が「モデル更新」以外の手段でも進められることを示した。ASENA自身が示した数字では、単体性能よりも統合後の改善幅が大きく、評価軸が方策精度だけでは足りないことが分かる。

日本への影響

日本のロボット開発では、機体そのものに加えて、失敗ログ、再実行可能スキル、シミュレーターとの往復で改善する運用設計が競争上の論点になり得る。ASENAがUnitree G1で示したような、地図なし探索と視覚検査をつなぐ枠組みは、移動体だけでなく点検や案内系の実装でも参考になりうる。