何が起きたか
arXivに2026年11月13日掲載された論文で、著者らは27Bの推論モデルを、実演データを使わずシミュレーション内のロボット操作強化学習で訓練したと報告した。訓練後のモデルは実双腕ロボットでの試行の60%に成功し、ベースモデルの成功はゼロだった。著者らは、訓練時に見ていないロボットや新しい指示にも技能が転移したとしている。
詳細
著者らは、Post-training Engine for Agentic Robotics(PEAR)を構築し、LIBEROとRoboDojoのシミュレーション環境でロボット操作強化学習(RURL)を実施した。モデルは環境を観察して推論し、次のエンドエフェクター姿勢を出力する構成で、著者らは外部のハーネスを使わないとしている。 LIBEROでの成功率はベースモデルの1.6%から訓練後に74.4%へ上昇し、著者らによれば最大推論設定のGPT-6 AstraおよびGPT-6.1 Solに近づいた。LIBERO-Proで、見慣れた場面に新しいタスクを与えた場合、π₀.₅の成功率は0.75%、本モデルは57.4%だった。著者らは、推論・コーディング・視覚の9ベンチマークで測定可能な性能低下はなかったとしている。
Key Facts
| 論文は2026年11月13日にarXivに掲載された。 | [1] |
| 著者らは27Bの推論モデルを、実演データなしでシミュレーション内のロボット操作強化学習により訓練した。 | [1] |
| 実双腕ロボットでの試行では、訓練後モデルの成功率が60%で、ベースモデルは成功しなかった。 | [1] |
| LIBEROでの成功率は1.6%から74.4%に上昇した。 | [1] |
| LIBERO-Proで新しいタスクを与えた場合、成功率はπ₀.₅が0.75%、本モデルが57.4%だった。 | [1] |
本紙の見方
今回の論文の焦点は、ロボットをシミュレーションで訓練したことだけではない。27Bの推論モデルに、観察から推論を経てエンドエフェクター姿勢を出す操作を、実演データなしの強化学習で身につけさせ、実機と未学習条件で評価した点にある。ロボット操作を、個別の動作デモを模倣させる課題ではなく、基盤モデルの事後学習に組み込む課題として扱う設計である。著者ら自身も、コンピューター操作エージェントの訓練との類似を説明している。 結果は、シミュレーションから実機への転移が可能だという著者らの主張を支える。ただし、実双腕ロボットでの60%は試行結果であり、要旨には試行数やタスク構成、実環境での運用期間が記されていない。したがって、汎用的な実機操作能力や再現性が確立したと読むのではなく、示された条件下でベースモデルとの差が出た結果として捉える必要がある。LIBERO-Proで新しいタスクに対してπ₀.₅との差が大きい点も、比較対象・評価設定を越えて一般化できるかは別途確認を要する。 構造面では、学習の入力を実演からシミュレーション上の試行へ移せるなら、ロボットごとのデモ収集に依存する度合いを下げられる可能性がある。一方、シミュレーションで何を学ばせ、実機との違いをどう扱うかが転移の成否を左右する。今回の要旨はLIBEROとRoboDojoを使ったこと、未見のロボット・現実環境・新しい指示への転移を報告するが、シミュレーションと実機の差を埋めた具体的な方法までは説明していない。PEARによる学習基盤と、実機で技能を評価する段階をつなぐ構成が、別のロボットやタスクでも機能するかが論点となる。 また、推論・コーディング・視覚の9ベンチマークで測定可能な低下がなかったという報告は、ロボット操作の訓練が他の能力を損なわないという著者らの評価である。実際の導入を判断するには、要旨に示されていない試行数、失敗の種類、安全性、タスクの範囲、異なる実機での成績を確認する必要がある。とりわけ、実機60%という単一の集約値だけでは、どの操作が安定し、どの条件で失敗するのかは判別できない。
なぜ重要か
著者らの結果は、実演データを使わないシミュレーション学習でも、実双腕ロボットや新しい指示への転移が起こり得ることを示す。ロボット操作モデルの評価では、シミュレーション上の成功率だけでなく、実機での試行条件や未学習タスクでの成績が重要になる。
