Feel-WM、オフロード走行向け世界モデルを提案　プロプリオセプションを条件に未来の失敗リスクを予測

何が起きたか

arxiv.orgに2026-09-17付で掲載された論文「Feeling Terrain Before Crossing: World Models for Off-Road Navigation」は、オフロード走行向け世界モデル「Feel-WM」を提案した。Feel-WMは、プロプリオセプションを入力に加え、カメラが見る未来だけでなく、ロボットが感じる未来も予測する。論文は、未来のプロプリオセプティブ状態と失敗リスクを学習し、予測した失敗リスクと目標類似度を分離したスコアで経路を選ぶとしている。

詳細

論文によると、Feel-WMは人手ラベルを使わず、ロボット自身の経験から未来のプロプリオセプティブ状態と失敗リスクを学習する。計画では、シーンの展開と物理的な未来を並行してロールアウトし、失敗リスクと目標類似度を別々に評価する構成である。 実験は実走行データとシミュレーションで行われ、車輪型と脚型の両プラットフォームで、オープンループ計画とクローズドループの粗い地形ナビゲーションにおいて、視覚のみのナビゲーション世界モデルを上回った。さらに、Huskyに搭載して山道で運用したところ、オンボードで計画し、前方の悪路を予測して回避し、エンドツーエンド方策では失敗するコースを完走したとしている。

Key Facts

本紙の見方

Feel-WMの新規性は、オフロード走行を「見えるもの」の予測だけでなく「感じる物理状態」の予測として定式化している点にある。都市環境では予測画像がそのまま行動選択の代理になりやすいが、今回の論文は、滑り、傾き、揺れといった地形との相互作用が支配的な場面では、視覚中心の世界モデルだけでは不十分だと置く。ここでの主軸は、単なる認識精度ではなく、走破可能性をどこまで事前に見積もれるかである。 本紙の関連記事はないため、過去報道との連続性は置けない。ただし、論文が示す構造は、入力としてのプロプリオセプション、内部モデルとしての物理未来、出力としての失敗リスク、そしてプランナーによる経路選択という連結である。これは、映像→行動の直結型方策よりも、センサー情報をいったん未来状態へ写像してから意思決定する方式への移行を示す。Huskyで山道を走らせた結果が付いている点は、機上のモデル設計にとどまらず、実機でのループが成立するかを見せている。 業界構造への含意としては、悪路走行ロボットの差別化軸が、外観認識から地形との接触・姿勢・スリップの推定へ移る可能性がある。とくに車輪型と脚型の両方で効くことが示されれば、機体形状ごとの知覚スタックを別々に組むのではなく、共通の物理未来モデルを持てるかが焦点になる。さらに、ラベルなしで自己経験から学ぶため、運用ログの蓄積量が性能差に直結しやすい。今後確認すべきなのは、どの程度の走行データで学習が成立するのか、Husky以外の機体や地形でも同じ優位性が出るのか、失敗リスクの定義が実運用上どの程度汎化するのかである。

なぜ重要か

論文が示すのは、オフロード走行では画像の理解だけでは足りず、滑りや傾きまで含む物理状態の予測が必要になりうるという点である。自己経験からラベルなしで学べるなら、実機の走行ログを持つロボット開発者にとって、地形判定と経路計画のつなぎ方が変わる可能性がある。

日本への影響

山道や不整地を走る移動ロボットでは、カメラ画像だけでなく姿勢・振動・滑りを含む計測系の設計が重要になるとみられる。日本企業や研究機関が車輪型・脚型の実機ログをどれだけ蓄積できるかが、同種の世界モデルを評価する前提条件になりうる。