世界認知モデルWCM、実世界の人間とロボットの対話タスクで73.8%の成功率

何が起きたか

研究者らは、人間とロボットの対話を可能にする世界認知モデル（WCM）を発表した。WCMはSLAKアーキテクチャと非同期ランタイムを基盤とし、ユーザーがロボットに教示できるモードを備える。実世界の9タスクで平均73.8%の成功率を達成した。

詳細

WCMは、SLAK（Sensing, Logic, Action, Knowledge）アーキテクチャと非同期ランタイムに基づく人間中心の具現化エージェントである。SLAKは知覚、推論、制御、記憶を分離し、ランタイムは推論、対話、実行を並行して進行させる。WCMは、ユーザーがロボットに難しいタスクや長期的なタスクを対話的に教示できるヒューマンインザループの教示モードを導入する。教示エピソードと自律的なタスク実行は、チェーンオブソートの教師信号に精緻化され、モデルを継続的に改善する。WCMは、CoTファインチューニングから除外されたタスクと、教示を通じて学習された長期的なタスクを含む、9つの実世界の人間とロボットの対話タスクで平均73.8%の成功率を達成した。

Key Facts

本紙の見方

今回の発表は、ロボット制御のパラダイムを「命令実行」から「対話による協調」へと移行させる試みとして位置づけられる。従来の視覚言語行動ポリシーや世界モデルベースのプランナーは、ユーザーが行動選択の理由を把握しにくく、介入や修正の手段が限られていた。WCMはSLAKアーキテクチャにより知覚・推論・制御・記憶を分離し、非同期ランタイムで対話と実行を並行させることで、この課題に取り組む。特に、ユーザーがロボットにタスクを教示できるモードは、ロボットの汎用性を高める上で重要であり、長期的なタスクの学習を可能にする。 本紙の過去報道との接続はないが、業界構造への含意として、ロボットの学習データの取得方法に変化をもたらす可能性がある。従来は大規模なデータ収集が必要だったが、WCMのような教示モードにより、ユーザーが直接ロボットに教えることでデータを生成できる。これは、データ収集のコストを削減し、個別環境への適応を容易にする可能性がある。 未確定の論点としては、WCMの成功率が特定のタスクセットに限定されている点が挙げられる。9タスクの内訳や、教示モードの有効性がタスクの複雑さにどう依存するかは不明である。また、実世界での展開には、安全性やユーザビリティの検証がさらに必要となる。

なぜ重要か

WCMは、ロボットが単なる命令実行装置から、人間と対話しながら協調するパートナーへと進化する可能性を示す。ユーザーがロボットに教示できる仕組みは、ロボットの導入障壁を下げ、多様な現場での活用を促進するだろう。