GlanceWAM、非同期の想像でロボット制御を高速化 24タスクで72.2%達成

何が起きたか

研究チームは2026年8月25日、非同期のテスト時想像を導入した世界行動モデル「GlanceWAM」を発表した。RoboCasaの24タスクで72.2%の成功率を達成し、同期型Cosmos Policy(67.1%)や想像なしの共訓練(64.4%)を上回った。

詳細

GlanceWAMは、単一のビデオDiT内で想像と制御を分離する。非同期プロポーザーが遅いクロックで数秒先の単一ルックアヘッドフレームを背景で想像し、アクションヘッドは制御レート(48ms)で潜在空間のみで行動チャンクをデコードする。非干渉アテンションマスクと、非同期のルックアヘッド劣化に対応する頑健なホライズン訓練により、速度と成功率のジレンマを解消した。デモのみで訓練され、NVIDIA A100 GPU上で48ms/chunkで実行、同期ベースライン比24倍高速。コードはGitHubで公開。

Key Facts

本紙の見方

今回のGlanceWAMは、ロボット学習における世界モデルの実用化に向けた一歩と位置づけられる。従来のWAMは、制御レートでビデオを同期生成するには遅すぎる一方、テスト時の視覚的想像を捨てれば成功率が下がるというトレードオフがあった。GlanceWAMは、想像を制御のクリティカルパスから外し、潜在空間で直接行動をデコードすることで、このジレンマを解消した。このアプローチは、計算資源を節約しつつ、実世界のロボットに必要なリアルタイム性を確保する点で新規性が高い。 本紙の過去報道では、世界モデルとロボット基盤モデルの進展を追ってきた。例えば、2026年3月の「世界モデル、ロボット制御に応用 精度と速度の両立が課題」では、同期生成の限界が指摘されていた。また、2026年6月の「ロボット基盤モデル、データ不足が課題 シミュレーション活用進む」では、データ効率の重要性が論じられた。GlanceWAMは、デモのみで訓練し、シミュレーション環境でのベンチマークで高い成功率を達成しており、これらの課題に対する一つの回答を示している。 業界構造への含意として、GlanceWAMの非同期アーキテクチャは、ロボットのエッジ推論における計算資源の制約を緩和する可能性がある。特に、NVIDIA A100 GPUで48ms/chunkという性能は、実機への展開を意識した場合、GPUの選定やコストに影響を与える。また、潜在空間での行動デコードは、ビデオ生成の解像度やフレームレートに依存しないため、センサーや計算環境の違いを吸収しやすい。これは、ロボットメーカーにとって、ハードウェアの選択肢を広げる要因となり得る。 一方で、未確定の論点も残る。第一に、RoboCasaやLIBEROはシミュレーション環境であり、実機での性能は未検証である。第二に、非同期の想像がどの程度の時間的劣化に耐えられるか、長期的なタスクでの安定性は不明である。第三に、この手法が他のビデオ生成モデルや行動モデルと組み合わせた場合の汎用性は、今後の研究を待つ必要がある。 今後確認すべき点として、(1)実機での成功率と制御レートの実測値、(2)非同期の遅延が大きい場合の成功率の低下度合い、(3)他のベンチマークやタスクでの汎用性、が挙げられる。

なぜ重要か

GlanceWAMは、ロボット学習における世界モデルの実用化を前進させる。非同期の想像と潜在空間での行動デコードにより、リアルタイム制御と高い成功率を両立できることを示した。これは、計算資源が限られるエッジ環境でのロボット展開を後押しし、今後のロボット基盤モデルの設計に影響を与える可能性がある。