触覚を階層的に予測する世界行動モデル「HiTac-WAM」、実ロボット成功率を31.1%から61.1%に向上

何が起きたか

研究チームは2026年8月20日、接触を伴うロボット操作のための階層的触覚世界行動モデル「HiTac-WAM」を発表した。このモデルは、各候補行動チャンクに対して将来の触覚状態を予測し、接触状態、3次元変形場、滑りリスクの3要素を階層的にモデル化する。実ロボット実験では、チップ把持、黒板消し、USB挿入の3タスクで、階層的予測による選択誘導により平均成功率が31.1%から61.1%に向上し、全体システムでは72.2%を達成した。

詳細

HiTac-WAMは、実行前に各候補行動チャンクの将来の触覚状態を予測する。予測は接触状態、3次元変形場、滑りリスクに分解され、各下流段階が前段からのstop-gradient信号に条件付けられる有向階層として構成される。有向アテンションマスクにより、触覚クエリは各候補のビデオ・行動コンテキストに注意を向けられる一方、ビデオ・行動クエリは触覚トークンに注意を向けない。計画時には、触覚予測とタスク進捗推定を用いて候補行動チャンクをランク付けする。実行時には、選択された触覚予測を参照として保持し、予測と観測の触覚状態の持続的な不一致が修正的再計画をトリガーする。評価では、平均接触F1は0.921、一致したトレーニング予算の下で、有向階層は変形のみの予測器と比較して3次元変位L2誤差を17.6%削減し、滑りのみの予測器と比較して滑りAUPRCを60.4%改善した。

Key Facts

本紙の見方

HiTac-WAMの核心は、触覚状態を単一の画像や潜在ストリームとして扱う従来手法とは異なり、接触状態→3次元変形場→滑りリスクという物理的依存関係を有向階層として明示的にモデル化した点にある。この階層化により、各段階が前段のstop-gradient信号に条件付けられ、変形のみの予測器と比較して3次元変位L2誤差を17.6%削減、滑りのみの予測器と比較して滑りAUPRCを60.4%改善した。数値は、階層構造が個々の予測精度を向上させるだけでなく、相互の整合性を高めることを示唆する。 実ロボットでの成功率向上（31.1%→61.1%、全体で72.2%）は、触覚予測を行動選択に組み込むことの有効性を裏付ける。特に、選択された触覚予測を参照として保持し、予測と観測の不一致が再計画をトリガーする仕組みは、接触リッチな操作における不確実性への適応的対応として重要だ。 業界構造への含意として、触覚フィードバックを世界モデルに統合するアプローチは、ロボットの器用な操作能力の向上に寄与する可能性がある。特に、チップ把持やUSB挿入のような精密な接触を要するタスクでは、触覚予測が行動選択の質を直接向上させる。 未確定の論点として、論文では触覚センサーの具体的な仕様や、学習データの収集方法、計算コストが明記されていない。また、成功率の向上が階層的予測のどの要素に最も依存するか（接触状態、変形場、滑りリスクの寄与度）は、アブレーション研究が待たれる。さらに、実ロボット実験のタスク数が3つと限定的であり、より多様な接触リッチタスクでの汎用性が検証される必要がある。

なぜ重要か

HiTac-WAMは、触覚情報を階層的に予測することで、接触を伴うロボット操作の成功率を大幅に向上させた。これは、ロボットが物理的な接触を伴う作業でより高い信頼性を発揮するための重要な一歩であり、製造業や介護など、精密な操作が求められる分野での応用が期待される。