HiLo-WAM、長期タスク予測と局所動態を分離するロボット行動モデルを提案

何が起きたか

arXivに2026年11月3日掲載の論文は、ロボット操作向けのWorld Action Model「HiLo-WAM」を提案した。RoboTwin 2.0で平均成功率93.70%、RoboDojoの長期タスクで進捗スコア17.43を報告し、Fourier GR-3上では学習範囲内と範囲外の双方で頑健な性能を示したとしている。段階的推論では、性能を改善しながら2.93倍の高速化を達成した。

詳細

HiLo-WAMは、過去のタスク文脈と将来の展開を捉える疎な長期視覚ストリームと、ロボット・物体間の短期的な相互作用を扱う密な局所動態ストリームを組み合わせる。両者は異なる時間スケールで動作し、dual-DiTアーキテクチャ内で構造化されたストリーム間注意機構を通じて行動生成を導く。 推論時には、ストリームごとの部分的なデノイジング、両ストリームの同時デノイジング、動的な処理スキップを段階的に用いる。論文の概要は、各段階の詳細な実行時間や評価条件の数値を示していない。

Key Facts

本紙の見方

本研究の焦点は、ロボットの行動生成で長期のタスク進行と、物体との局所的な相互作用を同じ時間解像度で扱わず、別の視覚ストリームに分けて再結合する設計にある。論文は、既存のWorld Action Modelの多くが密な短期動態をモデル化し、長い予測では不確実性や計算量が増すと問題を設定している。したがって新規性は、長期予測そのものだけでなく、長期文脈と細かな相互作用の役割を分けたうえで行動生成に使う点にある。 疎な長期ストリームはタスク全体の文脈を、密な局所ストリームは短い時間幅のロボット・物体間の変化を担う。両者をdual-DiT内の構造化された注意機構で結び、さらに推論時に部分的なデノイジングや動的スキップを使う構成は、予測の時間範囲と計算負荷を同時に調整する試みと読める。ベンチマークでの成功率・進捗スコアに加え、段階的推論で2.93倍の高速化と性能改善を報告したことから、評価上の主眼は長期タスクの遂行能力と推論効率の両立に置かれている。 業界構造への含意は、ロボット行動モデルの評価が単一の成功率だけでなく、長いタスクをどこまで進められるか、推論をどの程度軽くできるかという複数の軸を必要とする可能性である。RoboTwin 2.0、RoboDojo、Fourier GR-3という異なる評価対象で結果を示した点は、タスク環境とロボットをまたぐ性能評価を試みたものとみられる。ただし、これらの結果だけで実運用環境への一般化や、他方式に対する優位性が確立したとはいえない。 次に確認すべきなのは、各ベンチマークのタスク数や評価条件、2.93倍という速度比較の基準、計算資源、ストリームごとの寄与を示すアブレーションの具体値である。論文概要はアブレーションで両ストリームの補完性を確認したとしているが、数値や条件は記していない。また、実機での長時間稼働、安全性、失敗からの回復、異なるロボットへの適用範囲は、概要にあるベンチマーク結果とは分けて評価する必要がある。

なぜ重要か

長期操作では、目先のロボット・物体間の動きだけでなく、タスクがどう進むかを行動生成に反映する必要があるという課題に対し、HiLo-WAMはその二つを別の視覚ストリームで扱う。論文は長期タスクの評価値と段階的推論の高速化を報告しており、長期遂行能力と推論効率を併せて測る必要性を示す結果となっている。