DSWAM、二重システムの世界行動基盤モデルを発表 ロボット操作の微粒度タスク分解を実現

何が起きたか

研究チームは2026年7月6日、arxiv.orgで「DSWAM: A Dual-System World Action Foundation Model for Fine-Grained Robot Manipulation」と題する論文を公開した。DSWAMは、粗い指示を細かいサブタスクに分解するための言語レベルの計画インターフェースを備え、実ロボットでのVLAポリシーとの公平な比較を可能にする。

詳細

DSWAMは、デフォルトの制御経路としてSystem 1 WAMエグゼキュータを維持し、タスク分解が有用な場合にのみSystem 2視覚言語サブタスクプランナーを起動する。プランナーは短期的な視覚履歴とグローバルなタスクプロンプトから実行可能なサブタスクを予測し、エグゼキュータは各指示またはサブタスクに対して世界認識アクション生成を行う。エグゼキュータはアクション予測とビデオ共訓練で訓練されるが、推論時には明示的な将来ビデオ生成なしでアクションチャンクを直接予測する。実ロボットでの実用性を高めるため、TensorRTアクセラレーション、非同期実行、リアルタイムチャンキング（RTC）を統合し、ポリシークエリがロボット制御をブロックしないようにしている。

Key Facts

本紙の見方

今回の発表は、ロボット操作における基盤モデルの設計思想において、一つの転換点を示すものとみられる。従来のVLA（Vision-Language-Action）ポリシーは、言語による計画インターフェースを持つ一方で、物理的な実行精度に課題があった。一方、WAM（World Action Model）はビデオベースの世界モデルを密な教師信号として利用し、物理的に接地した実行に優れるが、粗い指示を分解する言語レベルの計画能力に欠けていた。DSWAMは、この二つのアプローチを「二重システム」として統合し、デフォルトの実行経路をWAMエグゼキュータに置きつつ、タスク分解が必要な場合にのみ視覚言語プランナーを起動するという、状況依存的な切り替えを採用している。この設計は、計算コストを抑えながら、複雑なマルチステップタスクへの対応力を高めることを意図したものと解釈できる。 本紙の過去報道との接続は、関連記事が提供されていないため直接的な言及は避けるが、ロボット基盤モデルの分野では、VLAとWAMの比較が活発に行われている。DSWAMの特徴は、単に性能を競うのではなく、実ロボットでの公平な比較を可能にするための設定（DeMaVLA）を自ら構築し、評価した点にある。これは、データやロボットの差異が比較を困難にしている現状に対する、一つの回答とみられる。 業界構造への含意としては、ロボット操作の基盤モデルにおいて、実行精度と計画能力のトレードオフが解消される方向性を示す点が挙げられる。DSWAMのような二重システムアプローチは、家庭用ロボットなど、粗い指示から細かい操作まで求められるシナリオでの実用化を後押しする可能性がある。また、TensorRTアクセラレーションや非同期実行、リアルタイムチャンキングといった実装上の工夫は、研究段階から実運用への橋渡しを意識したものであり、産業応用への関心の高まりを反映しているとみられる。 未確定の論点としては、DSWAMの実ロボットでの性能が、VLAポリシーと比較してどの程度の優位性を持つのか、具体的な数値が論文本文で確認できていない点が挙げられる。また、System 2プランナーの起動条件や、タスク分解が有効でない場合の性能低下の有無も、今後の検証が必要である。さらに、DeMaVLA設定が特定のタスクに限定されている可能性があり、他の操作タスクへの汎用性が焦点になる。

なぜ重要か

DSWAMは、ロボット操作における基盤モデルの設計に新たな選択肢を提示する。実行と計画を分離し、状況に応じて切り替えるアプローチは、複雑な家庭タスクの自動化に向けた実用的な道筋を示すものであり、今後のロボット基盤モデルの研究開発に影響を与える可能性がある。