GROW^2、ロボットの道具使用を可能にする新手法を発表

何が起きたか

2026年6月29日、arxiv.orgに掲載された論文で、ロボットの道具使用を可能にする新手法GROW^2（GROunding Which and Where）が発表された。この手法は、物体の部位を自然な抽象化として用い、意味レベルと幾何レベルの階層的な接地プロセスを導入することで、データ集約的なエンドツーエンド学習を回避する。実験では、アフォーダンス予測ベンチマークで最先端のベースラインを上回り、シミュレーションと実世界のロボット道具使用実験の両方で優れた性能を示した。

詳細

GROW^2は、視覚言語モデル（VLM）の常識推論を活用して、自然言語のタスク指示を解析し、道具として適切な物体を選択し、道具と対象物体上のタスク関連部位を特定する。幾何学的には、視覚基盤モデルが選択された部位を単一のRGB-D画像から正確な3D領域に接地する。この手法は、オープンカテゴリの物体に対するゼロショット汎化を達成し、確立されたベンチマークでアフォーダンス予測の性能を向上させる。

Key Facts

本紙の見方

今回の発表は、ロボットの道具使用における「オープンワールド・アフォーダンス接地」という課題に取り組むものである。従来の手法は、特定の物体や機能に特化した学習を必要とすることが多かったが、GROW^2は物体の部位を抽象化として用いることで、データ集約的なエンドツーエンド学習を回避し、ゼロショットでの汎化を実現している。この点は、ロボットが未知の物体を創造的に使用する可能性を広げるものであり、既存の研究の延長線上にあるものの、階層的な接地プロセスという新たなアプローチを提示している。 本紙の過去報道との接続は、関連記事が提供されていないため直接的な言及は避けるが、ロボットの知能化に関する研究の進展として位置づけられる。特に、視覚言語モデルと視覚基盤モデルの組み合わせは、近年のロボット学習におけるトレンドであり、GROW^2はその一例である。 業界構造への含意としては、この手法がロボットの柔軟なタスク遂行を可能にすることで、製造業や物流などの分野でのロボット導入を促進する可能性がある。また、物体の部位を利用するアプローチは、ロボットの認識技術と操作技術の統合を進めるものであり、関連するサプライチェーンやソフトウェア開発に影響を与えるとみられる。 未確定の論点としては、実世界での実験の詳細（使用したロボットプラットフォームや物体の種類）や、計算コスト、学習データの必要性などが挙げられる。また、この手法が実際の産業応用でどの程度の性能を発揮するかは、今後の検証が待たれる。

なぜ重要か

この研究は、ロボットが固定された機能に依存せず、環境内の物体を創造的に利用する可能性を示すものであり、ロボットの汎用性向上に寄与する。読者にとっては、ロボット技術の進化が実世界のタスクにどのように応用され得るかを理解する上で重要な一歩となる。