H-JEPA、階層型の世界モデルで視覚計画を改善　Visual AntMaze成功率73%

何が起きたか

H-JEPAの論文が2026年10月5日に公開された。行動条件付きJEPAを階層化し、上位層の予測を下位層のサブゴールとして使う視覚計画手法を示した。4つのシミュレーション環境で階層型計画が単一階層のJEPAを上回り、Visual AntMazeでは3階層により成功率が18%から73%へ上昇した。

詳細

H-JEPAでは、各階層がそれぞれ学習した潜在空間で、異なる先の状態を予測する。計画は上位から下位へ進み、最上位の目標への進捗を最適化しながら、各階層の予測を一つ下の階層のサブゴールにする。データ内の要素が異なる時間スケールで変化する場合、上位層は速く予測しにくい細部を捨て、課題に関係する遅い状態を保持する設計だ。 論文は、時間的な分解と上位層の目標表現の双方が改善に寄与したとする。逆ダイナミクスによる教師信号を加え、DROIDの多様な実ロボット動画にも適用したところ、プランナー計算量を抑えながらオフライン計画の忠実度が改善したとしている。

Key Facts

本紙の見方

Visual AntMazeの成功率は18%から73%へ55ポイント上がり、論文はこれをプランナー計算量の削減とともに報告した。ここでの新しさは、JEPAの潜在表現そのものを置き換えるというより、予測する時間幅と目標表現を階層に分け、計画を上位から下位へ接続した点にある。既存のタスク非依存JEPAが単一の潜在空間・時間スケールで予測と計画を行うのに対し、H-JEPAは長期目標と短期の実行可能な下位目標を分担させる構成だ。 この構造では、速く変わり予測しにくい視覚的な細部を上位層が保持し続けず、遅く変化する課題関連状態を計画に使える。したがって、改善の意味は単なる階層数の追加ではなく、環境の時間的な変化を分けて表現することと、上位の目標表現を下位計画に渡すことの両方にある。論文のアブレーションも、両要素が改善に寄与したと報告している。ただし、ここから階層化だけであらゆる環境の計画効率が上がるとは言えない。 評価の射程は分けて読む必要がある。成功率の数値は4つのシミュレーション環境のうちVisual AntMazeについての結果であり、DROIDについて示されたのは実機を動かした成功率ではなく、実ロボット動画を使ったオフライン計画の忠実度である。実環境での閉ループ制御や、動画から学んだ計画が実機でどの程度再現できるかは、この要旨からは判断できない。シミュレーションでの目標達成と、記録動画上での計画の妥当性を同じ成果指標として扱うべきではない。 ロボット学習の構成としては、実機動画を使う際に逆ダイナミクスの教師信号を加えた点が、階層型の計画器と行動に関する学習をつなぐ。動画の視覚的な状態遷移を、行動条件付きの予測・計画へどう結びつけるかが焦点になる。一方、要旨には計算量の絶対値や比較条件、実機での実行結果、各環境の詳細、学習データ量は記載されていない。次に検証すべきなのは、環境やロボットを変えた場合の再現性、実機での実行成功、安全性、そして計算量削減がどの条件でも維持されるかである。

なぜ重要か

H-JEPAは、Visual AntMazeで成功率を18%から73%に高めるとともに、プランナー計算量の削減を報告しており、長期の視覚計画で目標と細かな予測を階層分担させる設計の有効性を示す。実ロボット動画での評価はオフライン計画の忠実度に限られるため、実機導入を判断するには、実際の行動成功や安全性を別途確かめる必要がある。