何が起きたか
arxiv.orgは2026-10-06、都市ナビゲーション向けの「RIWANav: Recursive World-Action Models with Self-Improvement for Urban Navigation」を公開した。長距離の都市移動で生じる誤差の蓄積に対し、行動付き世界モデルと行動モデルを交互に更新する枠組みを提案し、実験と実地試験で有効性を示したとしている。
詳細
RIWANavは、1サイクルの中で2つの更新を交互に行う。世界モデルは候補行動の想像上の結果を使って政策を評価し、その比較フィードバックをGRPO（group-relative policy optimization）に渡す。改善された政策は、行動の新規性と予測誤差に基づいて、専門家と整合的な行動・動画ペアを選ぶ自己カリキュラムを構築し、次の政策更新に向けた入力を整える。これにより、政策と世界モデルのあいだで再帰的な自己改善ループを閉じる設計である。
Key Facts
| RIWANavは都市ナビゲーション向けのRecursive World-Action Models with Self-Improvement for Urban Navigationである。 | [1] |
| 世界モデルと行動モデル（policy）をタスク特化のrecursive self-improvementとして結合する。 | [1] |
| 各サイクルは、世界モデルによる候補行動の評価と、改善された政策による自己カリキュラム構築の2段階で構成される。 | [1] |
| 政策最適化にはGRPO（group-relative policy optimization）を用いる。 | [1] |
| 実験では訓練ベースラインと既存手法を上回り、実地試験でも有効性を示したとしている。 | [1] |
本紙の見方
RIWANavの新しさは、都市ナビゲーションを単なる模倣学習や事前学習済み世界モデルの適用として扱わず、方策と世界モデルを往復させる再帰的自己改善の対象に置いた点にある。従来の行動条件付き世界モデルは、固定された政策の下での予測器としては機能しても、政策が変わると評価基準がずれていく。これに対して本提案は、政策が更新されるたびに世界モデルも追随させる構図を採り、都市の長い経路で誤差が連鎖しやすい問題に直接向き合っている。ここは、単発の精度よりも、行動列全体での整合性を重視した設計として読むべきだとみられる。 本紙の過去報道に当てはめると、もし同種の世界モデルや自己改善型学習を扱う記事があっても、RIWANavはその延長線上にある一方で、GRPOと自己カリキュラムを組み合わせた点が差分になる。公開情報の範囲では、都市ナビゲーション分野で重要なのは、シミュレーション内の見かけの改善ではなく、実環境での経路追従・障害物回避・局所判断の失敗がどこまで減るかである。RIWANavの構造は、行動候補の比較評価と、予測誤差に基づく再学習を結びつけるため、データ収集から再学習までの循環を短くする意図があると解釈できる。 競合との位置づけでは、模倣学習は失敗例から学びにくく、物理試行のRLはコストが高いという、論文冒頭で示された制約をどう埋めるかが焦点になる。RIWANavはその中間に、世界モデルによる想像上の失敗と、実地の試行を補完的に使う構えを取るため、都市環境のように連続的で分岐の多い課題に相性がある可能性がある。ただし、論文要約だけでは、どの程度の地図条件、センサー条件、経路長で優位だったかは読めない。今後確認すべき点は、1) 実地試験の条件と規模、2) GRPOと自己カリキュラムの寄与分、3) 長距離経路での失敗率や汎化範囲である。
なぜ重要か
都市ナビゲーションでは、行動の誤差が後続判断に連鎖しやすい。本論文は、世界モデルと政策を分離せずに反復更新する枠組みを提案しており、実環境に近いフィードバックを学習に戻す設計として注目される。発表元の要約では、実地試験でも実用可能性を示したとしており、シミュレーションだけでは測れない運用面の検証が次の論点になる。