GR00T-N1.5系の推論政策、RoboCasa 50課題で8.28%を記録

何が起きたか

arXivは2026-10-16付で、LY-GWM-RoboCasa-Human300という推論政策を公表した。Human300で微調整したGR00T-N1.5の行動生成器、行動条件付きのグラフ動力学モデル、学習済みの二値状態報酬スコアラを組み合わせ、推論時には4つの行動チャンクをサンプルして候補を選択する方式である。 評価では16ステップの予測ホライズンを用い、3要素はすべて固定した。RoboCasa 1.0.1のpretrain kitchen splitで50課題×各50エピソードを回し、207/2,500成功、8.28%を記録した。比較対象の歴史的な自己学習ベースラインは181/2,500成功、7.24%で、差は26成功、1.04ポイントである。

詳細

論文は、推論時に候補となる4つの行動チャンクごとに将来の潜在特徴とロボット状態を予測し、その予測状態報酬ロジットが最も高い候補を実行する設計だとしている。局所評価ではRoboCasa 1.0.1の50課題について各50エピソードを実施し、atomic groupは141/900から150/900に改善した。 別途、RoboCasa保守側は提出を再評価し、50課題全体で354/1,500成功、leaderboard rateはAtomic-Seen 48.3%、Composite-Seen 16.3%、Composite-Unseen 3.1%と報告した。論文は局所結果と公式結果を別々に報告し、その差をモデル改善の結果とはみなしていない。また、記録された局所監査では212,700個の変化した環境入力チャンクが確認され、atomic taskでは28,223個だった。

Key Facts

本紙の見方

この論文の新しさは、単なる行動生成ではなく、候補生成の後段にグラフ動力学モデルを挟み、予測した将来状態に基づいて実行候補を選ぶ点にある。行動生成器そのものはGR00T-N1.5系で、Human300による微調整も含めて既存の学習済み要素を活用しているため、完全な新規アーキテクチャというより、推論時の選択機構を前面に出した構成だと読める。評価時に3要素をすべて固定している点も、学習の伸びではなく推論の組み立てで差を出す設計であることを示す。 公開情報の範囲では、本件はロボット政策の研究としてはかなり具体的で、4候補のサンプリング、16ステップ予測、状態報酬ロジットによる選別という実装が明示されている。これは、入力された観測から直接行動を出す方式ではなく、入力→予測→選択→実行という多段構造である。RoboCasa 1.0.1の50課題、各50エピソードという枠組みで207/2,500成功を得た一方、保守側の再評価では354/1,500成功と数字がずれており、論文自身も局所結果と公式結果を分けて扱っている。したがって、性能評価の読み方そのものが論点になる。 これは、データの質と評価手順が性能差を左右しやすいことを示す。また、local auditで212,700個の変更チャンクが記録されている点は、環境入力の差分管理が結果解釈に直結することを示唆する。次に確認すべき論点は、4チャンク選択が他タスクでも再現するか、固定した3要素のどの寄与が大きいか、そしてlocal結果と公式結果の差がどの評価条件から生じたのか、である。

なぜ重要か

RoboCasaの局所評価と保守側の再評価が別々に示されているため、ロボット操作政策の比較では評価の出所と条件を切り分ける必要があることが分かる。論文が4候補選択と16ステップ予測を明示したことで、実機・シミュレーションを問わず、推論時の選別機構が性能の見え方を左右しうる。

日本への影響

日本企業や研究機関がこの種の政策を参照する場合、生成モデル本体よりも、環境予測と候補選択をどう評価系に組み込むかが焦点になるとみられる。特に、RoboCasaのようなタスク設定と評価手順を再現できるかどうかが、国内のロボット操作研究で比較可能性を確保する条件になる。