OpenNWM、行動ラベルなしの映像でナビゲーション世界モデルを事前学習

何が起きたか

論文「OpenNWM: A Generalist Navigation World Model with Latent Action Pretraining」は2026年11月1日、行動ラベルのない映像から潜在行動を事前学習するナビゲーション世界モデルを発表した。学習用データセットNavAnywhereは、15種類の情報源から集めた1,750万件の視覚観測で構成し、地上ロボット、人間、ドローンによる移動映像を含む。論文は、同一分布内外の視覚予測とナビゲーション性能の改善を報告している。

詳細

OpenNWMは、まず行動ラベルのない映像を用いた視覚予測の事前学習で汎用的な潜在行動を学び、その後、行動条件付きの追加学習で潜在行動を物理的な動きに対応づける構成だ。NavAnywhereの1,750万件は視覚観測の数であり、論文要旨は映像本数とはしていない。 データは住宅地、公共・商業空間、都市環境、公園、自然景観の5種類の環境を含む。要旨には、各環境・情報源ごとの内訳や、性能改善の具体的な数値は記載されていない。

Key Facts

本紙の見方

この研究の焦点は、ナビゲーション映像の量を増やすだけでなく、行動ラベルのない映像から学ぶ段階と、物理的な動きに対応づける段階を分けた学習設計にある。NavAnywhereの1,750万件は15種類の情報源にまたがり、地上ロボットだけでなく人間やドローンの視点も含む。したがって、モデルが利用する視覚経験は、特定のロボットの移動映像に限られない。一方、映像から学んだ潜在行動を物理的な動きに結びつけるには、行動条件付きの追加学習を残している。行動ラベル付きデータへの依存をなくす方式ではなく、視覚経験の事前学習に必要なラベルの条件を緩めつつ、動作との対応付けを別工程に置く方式と読める。 学習の流れは、複数の移動主体から得た視覚観測を使った予測学習、潜在行動の形成、物理的な動きとの対応付け、ナビゲーションへの適用となる。ここで重要なのは、データの多様性と制御の対応関係が同一ではない点だ。人間やドローンの映像が環境の見え方を広げる可能性はあるが、それだけで地上ロボットが実行できる動作を学ぶとは限らない。論文が行動条件付きの追加学習を組み込んだことは、この視覚経験と実機動作の間に別途対応付けが必要であることを示す構成である。 論文要旨は同一分布内外のベンチマークで改善したとするが、改善幅、評価環境、ベンチマーク名は示していない。そのため、異なる環境への一般化がどの程度なのか、また視覚予測の改善が実際の移動成功率にどれほど結びつくのかは、要旨だけでは評価できない。NavAnywhereについても、15種類の情報源や5種類の環境の内訳、各移動主体の比率は分からない。今後確認すべきなのは、追加学習に必要な行動条件付きデータの規模、対象とするロボットや動作の範囲、環境をまたいだ定量評価、学習データの利用条件である。これらが分かれば、行動ラベルの不足をどこまで補える設計なのかを、データ量だけでなく実際の制御性能に照らして判断できる。

なぜ重要か

NavAnywhereは行動ラベルなしの映像を潜在行動の事前学習に使い、別途、行動条件付き学習で物理的な動きとの対応を取る設計である。したがって、ナビゲーションモデルの開発では、映像データの規模だけでなく、視覚経験から得た表現を対象ロボットの動作へ結びつける追加学習の条件が重要になる。