MobileWAM、移動操作向け世界行動モデルを提案 推論時は動画生成を破棄

何が起きたか

研究チームは、移動操作のための世界行動モデル「MobileWAM」を発表した。arXivにプレプリントとして公開され、ManiSkill-HABで最先端の移動操作ポリシーを上回り、実機のARX Lift2で多様なタスクに微調整可能としている。

詳細

MobileWAMは、事前学習済みのビデオ拡散トランスフォーマーと軽量なアクションエキスパートを層ごとのジョイントアテンションで融合する混合トランスフォーマーアーキテクチャを採用する。アクションエキスパートの各フィードフォワード層は、共有・移動・操作の3エキスパートからなる混合構造を持ち、アクショントークンの動作意図によってソフトにルーティングされる。また、中間表現が将来の潜在チャンクの連鎖を逐次予測するChain-of-Foresight(CoF)を提案し、ビデオとアクションの分離型デノイジングと組み合わせる。推論時には、WAMは現在フレームのエンコーダーとしてのみ機能し、フォーサイトチェーンとビデオ生成は破棄される。

Key Facts

本紙の見方

今回のMobileWAMは、ロボット学習における世界行動モデル(WAM)の適用範囲を、卓上操作から移動操作へと拡張する試みとして位置づけられる。従来のWAMはビデオ生成バックボーン上に構築され、卓上操作に限定されていた。移動操作は、移動と全身操作を同時に要求し、シーン規模のダイナミクスを扱う必要があるが、既存手法はダイナミクスを考慮しない視覚エンコーダーと手作業の協調に依存していた。MobileWAMは、このギャップを埋めるために、事前学習済みのビデオ拡散トランスフォーマーと軽量なアクションエキスパートを融合し、インターネット規模の動作プリエンティブを全身制御に変換する。 本紙の過去報道との接続を考えると、[本紙の関連記事]として与えられた記事は存在しないが、一般に公開されている情報として、世界行動モデルは近年、ビデオ生成を基盤としたロボット学習の有力な手法として注目を集めている。例えば、OpenAIのSoraやGoogleのVideoPoetなどのビデオ生成モデルが、ロボットの行動生成に応用される研究が進んでいる。MobileWAMは、こうした流れの中で、移動操作という新たな領域にWAMを適用した点で新規性がある。また、推論時にビデオ生成を破棄するという設計は、実機展開における計算コストを削減する実用的なアプローチであり、実用化への一歩とみられる。 業界構造への含意としては、MobileWAMのアプローチは、ロボットのハードウェアとソフトウェアの両方に影響を与える可能性がある。特に、ARX Lift2のような実機での微調整が可能であることは、特定のハードウェアに依存しない汎用性を示唆しており、ロボットメーカーにとっては、ソフトウェアのアップデートで多様なタスクに対応できる可能性を意味する。また、ビデオ生成モデルを活用することで、大規模なデータセットを必要とせずに学習できる可能性があり、データ収集のコストを削減できるとみられる。 一方で、未確定の論点も多い。まず、MobileWAMの性能が実環境でどの程度の汎化性を持つのか、特に多様な環境や物体に対するロバスト性は確認されていない。次に、推論時にビデオ生成を破棄する設計が、長期的なタスクや複雑な操作においてどの程度有効かは不明である。さらに、コードは公開予定とされているが、実際のリリース時期やライセンスは未定であり、コミュニティでの再現性が確認されるまでは、その有効性を評価することは難しい。 今後確認すべき点として、第一に、MobileWAMの実機での性能評価が、どのようなタスクセットで行われたのか、その詳細な結果が公開されるかどうか。第二に、ビデオ生成モデルの事前学習に使用されたデータセットの規模と多様性が、移動操作の性能にどのように影響するか。第三に、推論時の計算コストが実際にどの程度削減されるのか、実機でのリアルタイム性が確保されるかどうか。これらの点が明らかになることで、MobileWAMの実用性と限界がより明確になるだろう。

なぜ重要か

MobileWAMは、世界行動モデルを移動操作に拡張し、推論時の計算コストを抑える実用的な設計を示した。これにより、ビデオ生成基盤のロボット学習が、より複雑な実世界タスクに適用される可能性が高まる。今後の実機評価とコード公開により、ロボット学習の新たな標準となるかが焦点となる。