CF-WAM、世界モデルの次状態予測を再設計　RoboCasa-GR1で成功率82.50%

何が起きたか

arXivは2026-09-28付で、「From World Models to World Action Models: Rethinking Next-State Prediction」を公開した。論文は、固定された次状態表現に依存する従来のWorld ModelsをWorld-Action Modelsへ拡張するため、CF-WAMという動的な次状態予測枠組みを提案している。CF-WAMは、同じ未来を視覚・意味・幾何・相互作用の射影としてサンプリングし、共通の動画形式にそろえて一つのWAMを学習させる。

詳細

論文によれば、従来法は次状態をRGB、単一の潜在特徴、または事前に定義した目標の静的な組み合わせとして固定しており、そのことが表現ごとの帰納バイアスに学習を縛ると整理している。CF-WAMでは、複数の次状態パラメータ化をまたいで学習することで、行動条件付き未来の共通の状態遷移構造を捉えることを目指す。 著者らは、この動的機構がHumanとRobotの学習に対する自然なクロスエンボディメントの参照枠になるとしている。実験結果として、RoboCasa-GR1で平均成功率82.50%、LIBERO-Plusで82.65%、実世界評価で最大84.00%を示し、学習効率と最終的な制御性能の両方が改善したとしている。

Key Facts

本紙の見方

今回の論文の新規性は、次状態予測を「どの表現を固定で採るか」という問題から、「同じ未来を複数の射影でどう学習させるか」という問題に置き直した点にある。従来のWorld ModelsはRGBや単一潜在表現など、あらかじめ選んだ表現に依存しやすい。CF-WAMはそこを外し、視覚・意味・幾何・相互作用の射影を共通の動画形式に変換して扱うため、表現選択が学習の制約になる度合いを下げようとしている。これは既存の世界モデルを単純に大型化したというより、学習対象の定義を変えた提案だとみられる。 本紙の関連記事はないため、過去報道との接続は置けないが、論文本文だけを見ると焦点は「予測精度の向上」そのものより、行動学習に使える状態遷移構造をどう抽出するかにある。特に、HumanとRobotの経験を同じ枠で学習に取り込めるとする点は、ロボットごとに見え方が違っても遷移の共通部分を学べるか、という実装上の論点に直結する。ここで重要なのは、著者らがクロスエンボディメントを主張している一方で、その成立条件はまだ広く確定していない点である。実世界評価で最大84.00%とあるが、どのタスク、どのロボット形態、どのデータ構成でその値が出たかは、本文の記述範囲を超えては読めない。 業界構造への含意としては、この手法は「モデル本体」だけでなく、学習時にどの形の経験を共通化できるかというデータ側の設計を前面に出している。もし視覚・意味・幾何・相互作用の各射影をまたいで同じ状態遷移を学べるなら、ロボット個別の見た目差よりも、行動に対する遷移の共通性が重要になる。これは、シミュレーション由来データと実世界データ、あるいは人間の経験とロボット経験の接続方法を再定義する可能性がある。ただし、論文が示したのはベンチマークと実世界評価の結果であり、産業導入に必要なロバスト性、タスク一般化、データ収集コストの比較までは示していない。 次に確認すべきなのは、82.50%、82.65%、84.00%がどの条件で出たのか、またCF-WAMがどの程度データ量や計算量を要するのかである。さらに、視覚・意味・幾何・相互作用の各射影を統一する工程が、実機学習での転移性や安全性にどう効くかも未確定である。

なぜ重要か

著者らが示した82.50%、82.65%、84.00%という結果は、次状態予測を固定表現に閉じずに学習する設計が、制御成績に結びつきうることを示す。HumanとRobotの経験を共通化できるという主張が成立するなら、ロボット学習で必要なデータの集め方や表現設計の前提が変わる可能性がある。

日本への影響

日本のロボット研究や実機学習では、視覚・幾何・相互作用のどの表現を共通化するかが設計論の焦点になりうる。特に、実世界評価を伴う手法であるため、国内の実機検証環境や人間デモ由来データをどう扱うかが論点になる。