何が起きたか

arXivに2026年11月11日掲載された論文は、押し操作の結果を予測して候補行動を順位付けするSystem-1ワールドモデルを比較した。ManiSkill3 PushT-v1の512テストファミリー・8,192ロールアウトと、lerobot/pushtの人のデモから得た2,384テストウィンドウを用い、座標系や復号方式などを検証した。物体の初期姿勢を基準にする座標系と単一パス復号が、予測の意思決定性能と速度に関わる結果を示した。

詳細

論文では、入力と出力を物体の初期姿勢に基づくSE(2)座標系で表すと、5種類のデコーダーそれぞれで意思決定の後悔値が1.9~2.2倍低下した。物体基準座標を使うモデルは128ファミリーで学習し、世界座標を使って512ファミリーで学習したモデルと同等の結果になったという。 物体基準座標での単一パス方式は後悔値0.020~0.021、意思決定あたり1.6~1.8ミリ秒だった。比較対象の10ステップDDIM拡散は0.046、10.3ミリ秒、KVキャッシュ付き自己回帰方式は0.059、12.9ミリ秒。ソフトトークン期待値とエンドツーエンドの2D Kabsch射影の組み合わせは、軌道誤差がManiSkill3で11.35ピクセル、lerobot/pushtで3.78ピクセルとなり、厳密な剛体整合性を保った。論文によると、この方式はDDIMの4~50ステップの各予算で拡散方式より低い後悔値を示し、遅延は3~29分の1だった。

Key Facts

ManiSkill3 PushT-v1では512テストファミリー、8,192ロールアウトを評価した。[1]
lerobot/pushtの人のデモデータでは2,384テストウィンドウを評価した。[1]
物体の初期姿勢を基準にしたSE(2)座標系は、5種類のデコーダーすべてで後悔値を1.9~2.2倍低下させた。[1]
物体基準座標での単一パス方式は、後悔値0.020~0.021、意思決定あたり1.6~1.8ミリ秒だった。[1]
ソフトトークン期待値と2D Kabsch射影の組み合わせによる軌道誤差は、ManiSkill3で11.35ピクセル、lerobot/pushtで3.78ピクセルだった。[1]

本紙の見方

この研究で目立つのは、デコーダーの種類を選ぶこと以上に、予測をどの座標系で表すかが性能に関わった点だ。5種類のデコーダーで物体基準座標の効果が確認され、世界座標モデルが512ファミリーで学習した結果に、物体基準モデルは128ファミリーで並んだ。少なくとも評価した押し操作では、モデルの学習対象を増やすだけでなく、対象物の初期姿勢を座標表現に反映する設計が有効だったと読める。ただし、この差が生じる理由を論文の要約は特定していない。 もう一つの軸は推論の速さだ。物体基準座標で単一パス復号は1.6~1.8ミリ秒、10ステップDDIMは10.3ミリ秒、KVキャッシュ付き自己回帰方式は12.9ミリ秒だった。候補動作を評価して選ぶ用途では、予測精度だけでなく、一回の意思決定にかかる時間も方式選択の条件になる。一方、単一パスの各ヘッド間では後悔値に測定可能な差がなく、登録済み仮説である「座標系の効果はデコーダー間の差より大きい」は支持されなかった。したがって、結果は座標系の有効性を示す一方、デコーダー選択が常に無関係だと結論づけるものではない。 ソフトトークン期待値と2D Kabsch射影の組み合わせは、軌道誤差と剛体整合性を両立したと報告されている。これは、座標トークンを出力するだけでなく、予測結果に幾何学的制約を反映させる構成が、動作結果の予測にどう寄与するかを検討する材料になる。ただし、評価はManiSkill3 PushT-v1とlerobot/pushtに限られ、実機のロボットでの動作、別種の操作、複数物体を扱う条件は要約に記載されていない。シミュレーションと人のデモで得られた比較を、そのまま実環境の速度や安全性に読み替えることはできない。 業界への含意も、ロボット全般の性能向上というより、行動選択用モデルの構成に絞って捉えるべきだ。入力・出力の座標表現、復号方法、剛体射影は、予測器の設計上それぞれ比較できる要素として示された。次に確認すべきなのは、異なる操作タスクや実機でも座標系の効果が再現するか、また単一パス方式の低遅延が実際の行動選択ループで保たれるかである。論文要約に記載された数値は、特定データセットと評価条件での結果であり、運用時の稼働率や安全性を示すものではない。

なぜ重要か

押し操作の候補を短時間で順位付けするモデルでは、復号速度だけでなく座標表現も評価結果に関わり、物体基準座標の単一パス方式は1.6~1.8ミリ秒で動作したと論文は報告する。ただし、この結果はManiSkill3 PushT-v1とlerobot/pushtでの比較であり、実機で同じ速度や性能が得られることを示すものではない。