Open-HumanScale、5万時間の人・ロボット経験データを公開

何が起きたか

Open-HumanScaleの研究チームは2026年11月4日、人の一人称視点動画を使う身体性基盤モデルの学習レシピと、5万時間の動画コーパス「Open-HumanScale-50K」を発表した。人の動画だけで事前学習したモデルは、RoboTwin 2.0のClean2Cleanで成功率92.08%、Clean2Randomで68.88%を記録した。人とロボットのデータを組み合わせたモデルは同ベンチマークでそれぞれ92.70%、84.60%だった。

詳細

Open-HumanScale-50Kには手の動きと自然言語による注釈を付けた。研究チームは、人の動画による事前学習時間と下流のロボットタスク成功率の間に、経験的な対数線形のスケーリング則を確認したとしている。人の動画だけで事前学習したHumanWAM-Vanillaは、ロボットで追加学習した後、RoboDojoで平均成功率14.17%、平均進捗スコア19.00を記録した。 人・ロボットのデータを併用するHumanWAM-Goalは、視覚目標条件付きのworld-action modelとして開発された。研究チームは、同モデルがシミュレーションと実機ベンチマークでゼロショットの汎化を示し、実機ではパラメーターを更新せずに未知の視覚目標へ操作を適応させる「embodied in-context learning」が現れたとしている。研究チームは、コーパス、データ整備・事前学習パイプライン、事前学習済み・追加学習済みチェックポイント、推論コード、シミュレーション評価環境を公開した。

Key Facts

本紙の見方

この研究の軸は、動画を大量に集めるだけでなく、手の動きと言語を付した5万時間の人の経験を、ロボットの操作方策につなぐ学習手順と評価環境を一体で公開した点にある。人の動画だけを使うHumanWAM-Vanillaと、人・ロボット双方のデータを使うHumanWAM-Goalを分けたことで、人の経験から得られる操作の事前知識と、ロボット経験を加えた場合の差を同じベンチマークで検討できる構成になっている。研究チームが示した対数線形のスケーリング則も、データ時間数と成功率の関係を検証する枠組みとして位置づけられる。 数値上、HumanWAM-GoalのClean2Random成功率84.60%は、HumanWAM-Vanillaの68.88%を15.72ポイント上回る。一方、Clean2Cleanの差は92.70%と92.08%の0.62ポイントにとどまる。異なる学習データ構成の比較であり、この差だけからデータ混合の効果を一般化することはできないが、少なくとも本論文の結果では、よりランダムな条件でモデル間の差が大きく表れている。これは、既知条件での高い成功率だけでなく、条件変化への適応を別に測る必要性を示す結果と読める。 データ基盤の観点では、動画コーパスに加え、整備・学習パイプラインと評価環境まで公開することで、再現や追加検証の対象がモデル単体に限られない。人の動画をロボット学習に使う経路と、実機データを加える経路を比較できる点は、身体性AIのデータ構築を考える上で具体的な論点となる。ただし、抄録にはスケーリング則の係数やデータの内訳、実機評価の具体的なタスク数・成功率が記載されていない。したがって、シミュレーション上の成功率と実機での適応能力をどこまで対応づけられるか、また公開コーパスの注釈品質や条件別の性能差をどう検証するかが、次に確認すべき点である。

なぜ重要か

人の一人称動画だけを使うモデルと、人・ロボット双方のデータを使うモデルを同じRoboTwin 2.0の条件で比べ、Clean2Randomでは成功率に15.72ポイントの差があった。コーパスだけでなく学習パイプラインと評価環境も公開されたため、データ構成が操作性能にどう関わるかを追試するための具体的な材料となる。