Frankaロボットで70%成功率、階層型世界モデル計画法を提案

何が起きたか

2026年4月3日にarXivで公開された論文『Hierarchical Planning with Latent World Models』が、視覚世界モデルに基づく階層型モデル予測制御（HWM）を提案した。実機のFrankaマニピュレータを用いた実験で、単一のゴール画像からピックアンドプレースを70%の成功率で達成し、単一階層の計画では成功率0%だったと報告している。

詳細

HWMは、共有潜在空間内で複数の時間スケールの世界モデルを学習し、長期モデルの予測を短期モデルのサブゴールとして利用する。タスク固有の報酬やスキル学習、階層的ポリシーを必要としない。長期探索を効率化するため、プリミティブなアクションのチャンクを潜在マクロアクションに圧縮するアクションエンコーダを学習する。シミュレーションのプッシュ操作と迷路ナビゲーションでも長期的タスクの性能を向上させ、計画計算を最大3倍削減したとしている。

Key Facts

本紙の見方

今回の提案は、世界モデルによるゼロショット身体制御の実用性を大きく前進させるものだ。従来の世界モデルプランナーは、長期・多段階タスクで予測誤差が蓄積し、探索が指数関数的に増大するという課題があった。HWMは階層化によりタスクを短い部分問題に分解し、長期モデルの予測を短期モデルのサブゴールとして利用することで、この課題を回避している。特に、タスク固有の報酬やスキル学習を必要としない点は、汎用性の観点で重要だ。実機Frankaでの成功率70%は、単一階層計画の0%と比較して顕著な改善であり、世界モデルプランナーが実ロボットで機能することを示す。 本紙の過去報道との接続はないが、この成果はロボット学習における「モデルベース」アプローチの復権を示唆する。近年は模倣学習や強化学習が主流だが、HWMは世界モデルを直接計画に用いることで、データ効率と汎化の両立を目指している。特に、潜在マクロアクションの導入は、長期計画の計算コストを削減する実用的な工夫であり、実世界展開へのハードルを下げる。 業界構造への含意としては、ロボット制御のソフトウェアスタックに変化をもたらす可能性がある。従来のMPCは物理モデルに依存していたが、HWMは学習ベースの世界モデルを用いるため、モデル化が難しい接触を伴う操作タスクにも適用できる。これにより、ロボットメーカーやシステムインテグレーターは、タスク固有のモデリングコストを削減できる。また、計算資源の削減はエッジデバイスでの実行を容易にし、導入障壁を下げる。 未確定の論点としては、実機実験の詳細（タスクの複雑さ、成功率のばらつき、汎化性能）が論文本文で確認できていない点だ。また、70%の成功率が特定の環境条件に依存する可能性もあり、異なる環境やロボットでの再現性が焦点になる。さらに、学習データの量や質が性能に与える影響も検証が必要だ。

なぜ重要か

この研究は、世界モデルによるロボット制御が実機で機能することを示し、長期タスクの計画問題に対する実用的な解決策を提示する。ロボットの知能化において、タスク固有の設計を減らし、汎用的な計画能力を高める方向性を後押しする。