OmniBrain-0、操作と移動を統合する具身エージェントを提案

何が起きたか

arXivに2026年10月26日掲載された論文は、操作と移動を統合する具身エージェント「OmniBrain-0」を提案した。タスク理解、計画、進捗追跡、失敗からの回復を、共通の高位意思決定モデルで扱う。論文は複数のシミュレーションベンチマークと実環境の操作課題で評価し、非公開の教師モデルより推論・実行の負荷を大幅に抑えたとしている。

詳細

学習は、具身事前学習、領域特化エージェントの蒸留、複数教師によるオンポリシー蒸留（MOPD）の段階で構成する。教師の相互作用経験を操作と移動の専門エージェントに移し、各エージェントの意思決定能力をOmniBrain-0に統合する。統合の単位はツール接続ではなく、学習済みの意思決定モデルだと論文は説明する。 論文はさらに、実行結果からMeta-Agentが評価基準、各ステップのリマインダー、検証済み軌跡を生成し、専門エージェントを更新した後、MOPDでOmniBrain-0に再統合する「Rubric-Guided Recursive Self-Improvement（RSI）」を導入した。評価対象にはLIBERO-Pro、LIBERO-Plus、RoboCasa365、RoboTwin 2.0、R2R-CE Val-Unseenと複数の実環境操作課題を挙げている。

Key Facts

本紙の見方

この論文の焦点は、操作と移動を同じロボットに載せること自体より、両領域の判断をどの層で共通化するかにある。OmniBrain-0はツールの接続だけで能力を束ねるのではなく、タスク理解から進捗確認、失敗時の回復までを共通の意思決定モデルに置く。したがって、専門ポリシーを単純に並べる方式と異なり、タスク全体の状態を追いながら複数技能を調整する設計を狙ったものと読める。ただし、要旨には長期タスクの成功率や失敗回復の定量値は示されていない。 学習構成では、教師の経験をまず操作・移動の専門エージェントに移し、その判断能力をMOPDで統合する。専門性を保ったまま共通モデルへまとめる二段階の構成であり、単一モデルを最初から全技能で学習させる設計とは異なる。ここでの技術的な論点は、領域ごとの能力を統合した後に、特定技能の性能が損なわれないか、また教師から移した判断が未知の環境でも有効かである。論文要旨は複数のベンチマークと実環境課題を列挙するが、個別課題の成績や比較条件までは記していない。 RSIは、実行後の証拠を次の学習データへ戻す循環を明示する点で、モデル統合を一度きりの蒸留にとどめない。Meta-Agentが作る評価基準、ステップ単位の注意事項、検証済み軌跡を専門エージェントの更新に使い、その後に統合モデルへ再び反映する構造だ。これは、実行結果を次の更新に使う仕組みをモデル内部の判断能力の維持・改善につなげようとする設計とみられる一方、基準の品質や軌跡の検証方法が性能にどう影響するかは要旨から判断できない。 論文は、非公開の教師モデルに対して推論・実行負荷を大幅に下げたとするが、削減幅、使用ハードウェア、実行時間、モデル規模は要旨に示していない。次に確認すべきなのは、ベンチマークごとの数値と比較条件、実環境での試行規模、失敗回復の再現性、RSIで生成したデータの選別方法である。これらが分からなければ、軽量化と複数技能の統合が、実運用上どの範囲で両立するかは評価しにくい。

なぜ重要か

操作と移動の技能を別々のポリシーとして扱うのではなく、進捗追跡や失敗からの回復を含む共通の意思決定モデルに統合する設計を示した点が重要だ。論文は、複数のベンチマークと実環境課題で評価し、非公開の教師モデルより推論・実行負荷を抑えたとしており、実用性を判断するには比較条件と課題別の定量結果が焦点となる。