iMaC、画像を行動表現とする身体化ワールドモデルを提案 arXivで公開

何が起きたか

2026年6月8日、arXivにプレプリント「iMaC: Translating Actions into Motion and Contact Images for Embodied World Models」が公開された。同論文は、身体化ワールドモデルにおいて、従来の関節角度やエンドエフェクタ位置などの低次元ベクトル行動表現の代わりに、生の視覚画像を行動表現として用いる新たな制御パラダイム「iMaC」を提案している。

詳細

iMaCは、画像を行動トークンとして扱い、空間的な運動意図や接触の幾何学的制約、物理ダイナミクスを内在的に表現する。アーキテクチャは、目標駆動の視覚画像を圧縮して行動埋め込みを生成する画像行動エンコーダと、画像行動に基づいて環境遷移規則を学習する動的ワールド予測器の二つの分岐から構成される。公開された身体化操作ベンチマークと実ロボットシナリオでの実験により、ベクトル型行動制御のベースラインと比較して、予測精度、タスク成功率、クロスシーン汎化能力で優れると報告されている。

Key Facts

本紙の見方

今回の提案は、身体化ワールドモデルにおける行動表現の根本的な転換を試みる点で新規性が高い。従来の研究は、関節角度やエンドエフェクタ位置といった低次元のベクトル表現を前提としており、表現力の限界や異なるロボット間での汎化の難しさが指摘されてきた。iMaCは、画像そのものを行動表現として用いることで、これらの問題を回避し、物理的インタラクションの複雑なダイナミクスをより自然にモデル化できる可能性を示している。 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、身体化AI分野では、視覚と言語を統合した大規模モデルが注目を集める中で、行動表現の設計は依然として重要な課題である。iMaCは、視覚情報を行動のプリミティブとして直接用いることで、従来の行動空間の設計から解放される点で、今後の研究の方向性に影響を与える可能性がある。 業界構造への含意としては、ロボットの制御システムにおいて、ハードウェア固有の行動空間に依存しない統一的な制御パラダイムが確立されれば、異なるロボットプラットフォーム間でのソフトウェアの移植性が向上し、開発コストの削減につながる可能性がある。また、画像ベースの行動表現は、シミュレーションから実機への転移（sim-to-real）を容易にする可能性もあり、ロボット学習のスケーラビリティに寄与すると考えられる。 未確定の論点としては、iMaCが実ロボットでどの程度の性能を発揮するか、特に複雑な接触を伴うタスクでの安定性や、学習データの量と質が性能に与える影響が挙げられる。また、画像行動表現の計算コストや、実時間制御への適用可能性も検証が必要である。さらに、提案手法が特定のベンチマークでの優位性を示したものの、実世界の多様な環境での汎化性については、追加の検証が待たれる。

なぜ重要か

iMaCは、身体化ワールドモデルにおける行動表現の設計に新たな視点を提供し、ロボット制御の汎用性とスケーラビリティ向上への貢献が期待される。画像を行動として直接用いるアプローチは、従来のベクトル表現の限界を超える可能性があり、今後のロボット学習研究の方向性を左右する可能性がある。