世界と自己を分離する「World-Ego Modeling」、長期的ハイブリッド身体性タスクで新手法を提案

何が起きたか

2026年5月19日にarXivで公開された論文「World-Ego Modeling for Long-Horizon Evolution in Hybrid Embodied Tasks」が、身体性知能のための新しい世界モデルパラダイムを提案した。論文は、世界と自己の進化を分離してモデル化する「World-Ego Modeling」を導入し、これを実装したWorld-Ego Model (WEM)が、新たに構築したベンチマークHTEWorldで最先端の性能を達成したと報告している。

詳細

論文は、従来の世界モデルが世界と自己の進化を単一のストリームで予測するため、長期的な身体性タスク、特にナビゲーションと操作が混在するハイブリッドタスクで性能が低下すると指摘する。提案するWorld-Ego Modelingは、将来の進化を世界成分と自己成分に分解し、運動・意味・意図の3つの観点から境界を定義する。さらに、分離戦略として後置・前置・完全分離の3つを分析し、実装としてWEMを提案。WEMは暗黙の分離型プランナーとカスケード並列混合エキスパート（CP-MoE）拡散生成器を組み合わせる。評価用に、ハイブリッドナビゲーション操作タスクのための最初のベンチマークHTEWorldを構築し、125Kビデオクリップ（450万フレーム超）と微細な行動アノテーション、300のマルチターン評価軌道（2000命令超）を提供する。実験では、WEMはHTEWorldで最先端の性能を達成し、既存の操作専用ベンチマークでも競争力を維持した。

Key Facts

本紙の見方

今回の論文は、身体性知能における世界モデルの設計に新たな視点を導入した点で注目される。従来の世界モデルは、環境の規則性とロボット自身の行動による変化を単一のストリームで予測することが一般的だった。しかし、長期的なタスク、特にナビゲーションと操作が交互に発生するハイブリッドタスクでは、この混在が予測精度の低下を招く。論文はこの問題を「世界と自己の絡まり」と定義し、両者を分離してモデル化することを提案する。この発想は、ロボットの行動計画における「自己」の役割を明確にし、環境の不変的な規則性と、ロボットの意図に依存する動的な変化を区別する点で、理論的に整理されている。 本紙の過去報道との接続は、関連記事が提供されていないため直接的な言及はできないが、身体性知能の分野では、世界モデルと行動計画の統合が近年活発に研究されている。本論文は、その中でも特に「分離」という概念を前面に打ち出し、モデルの構造に組み込んだ点で一歩進んだと言える。 業界構造への含意としては、この研究はロボットの長期的な自律性向上に寄与する可能性がある。特に、家庭や倉庫などでナビゲーションと物体操作を組み合わせるタスクは実用的に重要であり、世界モデルの精度向上は、ロボットの実環境での適応能力を高めることにつながる。また、ベンチマークHTEWorldの構築は、今後の研究の評価基準を提供し、分野全体の進展を加速させる可能性がある。 未確定の論点としては、提案手法WEMの実ロボットへの適用時の性能や、計算コスト、学習データの要件などが挙げられる。論文はシミュレーション上のベンチマークでの性能を示しているが、実環境での汎化性は未検証である。また、世界と自己の分離の境界設定がタスクや環境によってどう変わるべきかも、今後の研究課題となるだろう。

なぜ重要か

この研究は、身体性知能の世界モデルにおける「自己」と「環境」の分離という概念を明確にし、長期的なハイブリッドタスクでの性能向上を示した。ロボットが複雑な実環境で長期的に自律的に動作するためには、このようなモデル設計が重要になる。また、新たなベンチマークの提供は、今後の研究の比較評価を容易にし、分野の発展を促進するだろう。