複数ロボットの作業計画手法「NSDL」を発表、7BモデルがVIKI-L2で97.0%の精度

何が起きたか

arXivは2026年11月12日、複数ロボットの作業計画手法「NSDL（Neuro-Symbolic Division of Labor）」を扱う論文を掲載した。NSDLは、小型の視覚言語モデルが画像と指示から未達成の目標や担当ロボットを判断し、決定的なソルバーが実行可能な共同計画に展開する構成だ。論文によると、3B〜8Bの3種類のバックボーンをVIKI-L2とLOCUS-Benchで評価し、7BモデルはVIKI-L2で97.0%の分布外精度を達成した。

詳細

モデルは検出器から得た根拠とソルバーをツールとして使い、未達成の目標と順序、担当ロボットを記した「plan sketch」を作成する。ソルバーはそこから前提となる行動、ロボット間の引き継ぎ、タイミングを含む共同計画を生成し、学習時にもソルバーを組み込む。 評価には公開ベンチマークのVIKI-L2と、判断の種類ごとに難しさを評価する新設のLOCUS-Benchを使用した。論文は、両ベンチマークでNSDLがエンドツーエンド型プランナーと「形式化してから計画する」方式のベースラインを上回ったと報告する。コード、モデル重み、LOCUS-Benchは公開されている。

Key Facts

本紙の見方

NSDLの特徴は、複数ロボットの計画を一つのモデルに一括して解かせず、画像を見て判断する部分と、その判断を制約に沿った行動列へ変換する部分に分けた点にある。目標の達成状況や作業分担は場面の理解を要する一方、前提行動、引き継ぎ、タイミングは先行する判断を基に計算できる、という役割分担が設計の出発点だ。ロボット本体の制御方式や新しい機体を示す発表ではなく、複数機のタスク計画における推論構成を検証した研究として位置づけられる。 評価結果が示すのは、論文で用いたベンチマーク上では、ソルバーが計画の構造を担うことで順序付けやスケジューリングの誤りがほぼなくなったという報告である。ただし、残る失敗は場面の状態の誤認にあり、モデルが計画に書き落とした目標が多かったという。したがって、計画の後段を形式的に整えるだけでは、画像から必要な作業を漏れなく抽出できるとは限らない。7Bモデルの97.0%という値もVIKI-L2での分布外精度であり、実環境での複数機運用の成功率を示すものではない。 LOCUS-Benchが二種類の難しさを分けて評価する点は、モデルの判断と計画生成のどちらに誤りがあるかを切り分けるための設計として意味を持つ。論文は両ベンチマークで既存方式を上回ったとするが、要約に示された情報だけでは差の大きさや、各方式の条件を比較できない。コード、重み、ベンチマークの公開は結果の再検証に資する一方、ベンチマーク上の比較と実機での有効性は区別して見る必要がある。 次に確認すべきなのは、検出器が誤った根拠を出した場合や、複数の目標を見落とした場合に計画がどう変わるか、またロボットの能力差や通信・実行上の制約をどこまで扱えるかである。論文の要約には、実機での検証、処理時間、対象タスクの範囲は示されていない。評価の内訳と実行段階での結果が分かれば、計画構造をソルバーに委ねる方式がどの条件で有効かを、ベンチマーク成績とは別に判断できる。

なぜ重要か

論文が示す役割分担では、場面理解の誤りと、行動順序やスケジューリングの誤りを別々に扱える。評価で順序付けの誤りがほぼ消える一方、状態判断や目標の記載漏れが残ったとの報告は、複数ロボット計画の精度を検討する際に、計画生成だけでなく画像からの目標抽出も評価対象にする必要があることを示している。