ロボット政策学習の世界モデル表現を改善する手法、LIBEROで成功率を63.6%から83.8%に向上

何が起きたか

2026年7月29日にarXivで公開された論文（ID: 2607.26924v3）は、ロボット政策学習のための世界モデル表現を改善する手法を提案した。提案手法は、従来のSketched Isotropic Gaussian Regularizer（SIGReg）を時間的に中心化された残差に適用することで、LIBEROベンチマークのGoalスイートで成功率を1.66倍に向上させ、全スイート平均成功率を63.6%から83.8%に引き上げた。

詳細

論文は、LeWorldModel（LeWM）の生の表現が下流のロボット政策学習に適さない問題を指摘。モンテカルロ分析により、生のLeWMの目的関数が時間的に持続する成分に分散を偏らせ、時間的に中心化された残差の分散を抑制することを示した。この問題に対し、SIGRegを全体の潜在表現ではなく時間的に中心化された残差に適用する変更を提案。これにより、持続成分と残差成分の分散配分を分離し、反崩壊特性を維持する。外部の事前学習なしで、スクラッチから訓練したDiffusion Policyや事前学習済みのOpenVLAベースラインを上回る性能を達成した。

Key Facts

本紙の見方

本論文の核心は、世界モデルの表現学習における分散配分のバイアスを特定し、それを修正することで下流の政策学習性能を大幅に改善した点にある。従来のSIGRegは潜在表現全体を等方性ガウス分布に正則化することで安定した学習を可能にしたが、生のLeWMでは時間的に持続する成分に分散が集中し、ロボット操作に重要なグリッパー動態などの残差情報が抑制されていた。提案手法は、正則化を時間的に中心化された残差に適用することで、このバイアスを解消し、表現のデコード可能性を向上させた。 この成果は、世界モデルと政策学習の橋渡しにおける重要な進展である。従来、世界モデルは計画には有効でも、直接的な政策学習には適さないことが知られていたが、本手法はそのギャップを埋める具体的な方法を示した。特に、外部の事前学習なしでDiffusion PolicyやOpenVLAを上回った点は、計算資源が限られた環境での実用性を示唆する。 業界構造への含意として、ロボット政策学習における表現学習の重要性が再確認された。特に、時間的ダイナミクスの扱いが性能に直結することが示され、今後の研究では残差情報の活用が焦点となるだろう。また、LIBEROベンチマークでの改善は、標準化された評価環境での比較可能性を高め、研究の進展を加速させる可能性がある。 未確定の論点として、提案手法が実ロボット環境でどの程度有効か、また他のベンチマークやタスクでの汎用性が不明である。さらに、計算コストやハイパーパラメータの感度も検証が必要である。

なぜ重要か

この研究は、ロボット政策学習における世界モデルの表現を改善する具体的な手法を提供し、シミュレーション環境での成功率を大幅に向上させた。これは、実世界でのロボット操作タスクへの応用可能性を示すとともに、表現学習の重要性を再認識させるものである。