ロボット制御の新手法WCD、RoboTwin 2.0で成功率向上 自己検証型のテスト時計画

何が起きたか

2026年9月2日、arxiv.orgに投稿された論文で、ロボット制御のための新しいフレームワークWorld-Coherent-Decoding（WCD）が発表された。WCDは、World Action Models（WAMs）が生成する複数の未来候補から、内部生成信号を用いて信頼性の高いものを選択する自己検証型のテスト時計画手法である。RoboTwin 2.0ベンチマークにおいて、限られたランダム化シーン教師あり学習の下でHard成功率を55.80%から60.90%に向上させ、Horizon-3タスクでは+16.43の改善を記録した。さらに、実機Frankaを用いた視覚シフトテストでも定性的な堅牢性が確認された。

詳細

WCDは、各決定ステップで凍結されたWAMから複数の候補をサンプリングし、フローベースのビデオ驚き度（視覚的妥当性）とアクションパス労力（行動生成の安定性）という内部生成信号を用いてランク付けする。実行後、実現された観測が選択された想像を監査し、想像と現実のミスマッチを生成する。このミスマッチは、将来の候補選択のための軽量なオンライン予測器を訓練するために使用される。WCDはバックボーンモデルを更新することなく、遅延した自己検証を実行前の信頼性推定に変換する。RoboTwin 2.0での実験では、Hard成功率が55.80%から60.90%に向上し、Horizon-3タスクで+16.43の改善が見られた。実機Frankaの視覚シフトテストでは定性的な堅牢性が示された。

Key Facts

本紙の見方

本手法の核心は、WAMsの性能が「より多くの未来をサンプリングすること」ではなく「信頼できる未来を選択すること」に依存するという原則を実証した点にある。WAMsは視覚的な未来を確率的に生成し、そこから行動をデコードするが、どの未来を選択するかで結果が大きく変わるという観測が動機となっている。WCDは、凍結されたWAMから複数の候補を生成し、内部生成信号（ビデオ驚き度とアクションパス労力）でランク付けすることで、実行前に信頼性を推定する。さらに、実行後の観測とのミスマッチを利用して軽量なオンライン予測器を訓練し、将来の選択を改善する。このアプローチは、バックボーンモデルを更新せずにテスト時計算をスケールさせるものであり、計算資源の効率的な活用という観点で重要である。 本手法は、ロボット学習における「想像と現実のギャップ」を自己検証で埋めるという点で、モデルベース強化学習や世界モデルの研究と連続性を持つ。しかし、従来の研究がモデルの学習に焦点を当てていたのに対し、WCDは推論時の選択機構に着目している点が新しい。また、オンライン予測器の訓練には実行後の観測が必要であり、実環境でのデータ収集が前提となる。このため、シミュレーションから実機への転用が課題となるが、実機Frankaでのテストで堅牢性が示されたことは有望である。 業界構造への含意としては、ロボット制御の性能向上がモデルアーキテクチャの改良だけでなく、推論時の計算戦略によっても達成できることを示した点が挙げられる。これは、計算資源を多く持つ企業や研究機関が、モデルを大規模化せずに性能を引き出せる可能性を示唆する。一方で、WCDの有効性はWAMの品質に依存するため、WAM自体の性能向上と組み合わせることでさらなる改善が期待できる。 未確定の論点としては、WCDのスケーラビリティ（候補数やオンライン予測器の容量）や、より複雑なタスクや多様な環境での汎用性が挙げられる。また、実機での長期的な安定性や、オンライン予測器の訓練に必要なデータ量も検証が必要である。

なぜ重要か

WCDは、ロボット制御におけるテスト時計算の新たな方向性を示すものであり、モデルを更新せずに性能を向上させる手法として、計算資源の制約がある現場での応用が期待される。また、自己検証の概念は、ロボットの安全性や信頼性の向上にも寄与する可能性がある。