Recova、ロボット操作の失敗回復手法を発表　6環境で平均成功率78.8%

何が起きたか

Recovaは2026-10-01、ロボット操作で失敗した場面からの回復を扱う枠組みを公表した。再構成したデジタルツイン内で、エージェントが失敗を診断し、修正プログラムを試し、成功した作業軌道と回復軌道を別々の方策に集める。実運用では進捗を監視し、学習済みまたはプログラムによる回復を呼び出し、状態が戻ったことを確認してから実行を再開する。

詳細

回復手段が適切に見つからない場合は、人の実演が失敗を解消し、そのデータが学習ループに入る。物理ロールアウトと人の実演は、それぞれ対応する方策に振り分けられ、DAgger学習に使われる。 性能評価では、6つのLIBERO-Pro設定と4つのMolmoSpacesカテゴリで平均成功率がそれぞれ78.8%と64.9%だった。比較対象の最強ベースラインは71.7%と38.0%で、並列収集を4台の実機ワークステーションで行ったDAgger微調整では平均成功率が23.8%から77.5%に上がり、回復技能を加えると87.5%に達した。1つの課題で4回の収集ラウンドを行うと、人の介入は87.5%から0%に低下した。

Key Facts

本紙の見方

Recovaの新しさは、操作方策そのものだけでなく、失敗後にどう立て直すかを学習対象に組み込んだ点にある。単なる成功模倣ではなく、デジタルツイン内で失敗診断、修正案の試行、成功・回復のロールアウト収集を分けて設計し、実機では回復の有無を確認してから再開する構造になっている。ここでは「回復」が補助機能ではなく、タスク実行と同じくらい中心的な学習単位として扱われている。 本紙の観点では、この発表はロボットの性能評価を成功率だけでなく、失敗時の復帰能力まで広げる流れに位置づく。4台の実機ワークステーションでの並列収集、DAgger微調整、さらに回復技能追加で87.5%まで上がったという結果は、データ収集の設計が性能を左右することを示す。一方で、1つの課題で4回の収集ラウンドを回した結果として人の介入が0%になった点は重要だが、どの課題でも同じ比率で再現するかはまだ読み切れない。公開情報だけでは、どの失敗型にどの回復が効いたのか、回復方策の汎化範囲はどこまでかは見えない。 業界構造で見ると、焦点はロボット本体の巧拙よりも、シミュレーションと実機、さらに人の実演をどう接続して学習データに変えるかにある。Recovaは、入力された失敗事例をデジタルツインで検証し、物理ロールアウトと人手介入をDAggerへ戻す循環を示しており、データ基盤の設計がそのまま操作信頼性に反映される形だ。今後の論点は、回復方策が何種類の失敗に対応できるのか、実機4台という収集条件がどこまで拡張可能か、またタスクごとの成功率と介入率が他環境でも同様に改善するかである。

なぜ重要か

Recovaは、失敗したロボット操作を単なるエラーではなく再利用可能な学習データに変える設計を示した。発表文では、6つのLIBERO-Pro設定と4つのMolmoSpacesカテゴリで成功率を示し、実機4台の並列収集で人の介入を0%まで下げたとしており、失敗復旧を含む運用設計が評価対象になることが分かる。