何が起きたか

Qwenチームは2026年6月16日、ロボット操作の基盤モデル「Qwen-RobotManip」に関するテクニカルレポートを公開した。同モデルはQwen-VLを基盤とし、表現・動作・行動の3次元にわたる統一的なアライメントフレームワークを導入することで、大規模なマルチソース学習を可能にしたとしている。約3万8100時間の事前学習コーパスを構築し、複数のOODベンチマークで従来の最先端モデルを上回ったと主張している。

詳細

Qwen-RobotManipは、ロボット操作のデータが本質的に異質で、収集コストが高く、多様性が狭いという課題に対処するため、表現・動作・行動の次元でデータを統一するアライメントフレームワークを導入した。人間からロボットへの合成パイプラインにより、15のプラットフォーム向けに手のデモをロボットの軌跡に変換する。オープンソースのデータセットと人間のビデオのみを使用し、独自のデータ収集を行わずに約3万8100時間の事前学習コーパスを構築した。評価では、RoboCasa365、LIBERO-Plus、EBench、RoboTwin-Clean2Rand、RoboTwin-IF、RoboTwin-XEなどのOOD設定を採用し、π0.5を含む従来の最先端モデルをすべてのOOD設定で大幅に上回ったとしている。RoboChallengeでは1位を獲得し、相対改善率20%を達成したと主張。実ロボットではAgileX ALOHA、Franka、UR、ARXで検証された。

Key Facts

Qwen-RobotManipはQwen-VLを基盤とするVision-Language-Action基盤モデルである。[1]
約3万8100時間の事前学習コーパスを構築した。[1]
人間からロボットへの合成パイプラインにより、15のプラットフォーム向けにデモを変換する。[1]
RoboChallengeで1位を獲得し、相対改善率20%を達成したとしている。[1]
実ロボットプラットフォームとしてAgileX ALOHA、Franka、UR、ARXで検証された。[1]

なぜ重要か

ロボット操作基盤モデルの開発において、オープンソースデータと合成パイプラインによる大規模学習が有効であることを示した点は、業界のデータ戦略に一石を投じる。今後の焦点は、このアプローチが実世界の多様な環境でどこまで汎化するか、そして他の研究機関が同様の手法を再現・発展させられるかにある。