RegisterWAM、行動条件付けに非空間レジスターを導入　LIBERO-Plusで81.64%

何が起きたか

2026年10月13日公開のarXiv論文で、研究チームはWorld Action Models（WAMs）に学習可能な非空間レジスターを加えるRegisterWAMを提案した。論文は、WAM表現に高ノルムの空間的外れ値が持続し、正規化やK/V projection後も行動関連性が残る点を出発点としている。RegisterWAMは、この情報をレジスターに直接集約し、観測のflow-matching（FM）損失を併用することで、空間的外れ値を抑えつつ高ノルム応答をレジスター側に集中させる設計である。

詳細

論文は、レジスター単体では空間的外れ値を完全には除去できない一方、観測FM損失を組み合わせると外れ値が抑制されると述べている。さらに、観測FM損失はレジスターを使わない場合でも行動学習を改善し、そこから派生する追加のnoised-observation FM objectiveは、破損した入力から現在の場面を復元する学習を行うとしている。 性能面では、RegisterWAMは追加のembodied pretraining dataやfoundation modelsを使わずにLIBERO-Plusで81.64%の成功率を達成し、RoboTwin 2.0では平均93.0%の成功率を示した。論文は実世界のマニピュレーション性能の改善も報告している。

Key Facts

本紙の見方

本件の新規性は、WAMの表現をそのまま強化するのではなく、行動に効く情報を非空間レジスターへ寄せる設計にある。空間的な高ノルム外れ値が残存し、その行動関連性が正規化後も消えないという観察を、モデル内部の情報配置の問題として捉え直している点が主眼である。一方で、最終的な性能はレジスター導入だけではなく、観測FM損失との組み合わせで外れ値を抑え込む構成に依存しており、単純なアーキテクチャ追加の話ではない。 本紙の観点では、これはロボットの行動モデルを「視覚表現の精度」だけで読むのではなく、「どの情報をどこに保持するか」という内部表現の配分問題として扱う流れに位置づく。LIBERO-Plusの81.64%、RoboTwin 2.0の平均93.0%という結果は、少なくともこれらのベンチマークでは、追加のembodied pretraining dataやfoundation modelsなしでも改善余地があることを示している。ただし、論文が示すのは主にベンチマークと実機操作の改善であり、どの程度一般の実環境に移植できるかは別論点である。 構造面で見ると、入力の破損をFMで扱い、内部ではレジスターに情報を集約し、出力として行動に接続する流れが組まれている。ここから先で確認すべきなのは、レジスター数や学習コスト、どの種類のタスクで効果が強いか、そして実機での改善が特定のマニピュレーション条件に限られるのかどうかである。論文要旨だけでは、モデルサイズ、データ構成、失敗例の内訳までは読めない。

なぜ重要か

論文が示す81.64%と93.0%の結果は、ロボットの行動学習で表現設計が性能を左右することを具体的に示している。特に、追加のembodied pretraining dataやfoundation modelsを使わずに改善を狙う構成であるため、データや基盤モデルへの依存を下げたい研究開発に関係する。

日本への影響

日本のロボット研究では、実機マニピュレーションの学習効率と表現設計が焦点になりやすい。この論文が示すように、視覚表現の内部で行動関連情報を非空間レジスターへ集約する発想は、制御・認識・学習を分けて設計してきた系統の研究に接続しうる。