UniWAM、世界・行動統合モデルを発表　人間とロボットデータの混合学習でSOTA

何が起きたか

アーカイブ論文の掲載日2026-10-01、研究チームはUniWAM（Unified World-Action Model）を発表した。物理推論器、世界生成器、行動予測器を統合し、物理世界の意味理解、視覚生成、行動予測を同時に学習する構成である。人間の主観視点データとロボットデータを用いた大規模な混合学習により、複数評価でSOTA性能を示したとしている。

詳細

UniWAMは、ナビゲーション用とマニピュレーション用に別々の行動エンコーダーと出力ヘッドを持ち、共通バックボーンを共有する混合ストリーム型の設計である。[1]では、Large-scale MAP-Dataを自動生成するパイプラインにより、150万超のエピソードと7,500時間のデータを構築したと説明している。 また、Manipulation Anchor Pose（MAP）監督を導入し、3Dシーンから対象物のバウンディングボックスや画像平面上のMAP座標を補助教師として用いる。事前学習ではVQAデータ、人間の主観視点データ、ロボット実演を適切なモデル要素に割り当て、後処理では将来視覚ノイズ増強と履歴条件付きflow matchingを組み合わせ、デノイジング手順を減らしつつ性能を保つとしている。

Key Facts

本紙の見方

UniWAMの新規性は、世界モデル系の「将来を描く」能力と、行動モデル系の「今どう動くか」を同一枠組みに入れた点にある。ただし、単純な統合ではなく、ナビゲーションとマニピュレーションで行動エンコーダーと出力ヘッドを分け、共通バックボーンで学習する設計が取られている。つまり、完全な一本化ではなく、機能ごとの分岐を残した上で共通表現を鍛える構成である。 本紙の観点では、注目すべきはモデル名よりも学習データと監督信号の組み方である。VQA、人間の主観視点データ、ロボット実演を「適切なモデル要素に割り当てる」としている点は、視覚言語基盤の言語能力を保ちながら実世界タスクへ接続する狙いを示す。これは、言語能力の強い事前学習モデルをそのまま実機制御へ流用するのではなく、低レベル行動を自然言語化して橋渡しする設計であり、実世界の行動学習における教師信号の粒度をどう整えるかが核心になっている。 [1]の補足にあるMAP-Dataは、150万超エピソードと7,500時間という規模が示す通り、データ構築そのものがモデル性能の前提になっている。さらに、対象物のバウンディングボックスや画像平面上のMAP座標を補助教師に使うため、単なる軌跡学習ではなく「どこで止まり、どの向きで構えるか」を学ばせる構造だと読める。24の実機タスクでリードし、MAP-Benchでは位置誤差30.1%、heading誤差44.0%の改善を示したとする一方で、データの偏り、推論時の計算量、長期タスクでの失敗モードはなお確認が必要である。コード、データ、ベンチマークを公開したとしているが、再現条件や実運用での頑健性は次の検証点になる。

なぜ重要か

研究チームは、UniWAMが複数評価でSOTA性能を示したとしており、視覚・言語・行動をまたぐ学習枠組みの有効性を主張している。150万超エピソードと7,500時間のMAP-Data、さらに24の実機タスクという条件は、モデル性能がアルゴリズムだけでなくデータ構築能力に強く依存することを示す。

日本への影響

日本のロボット研究や実装では、実機タスクの学習に使える大規模な主観視点データとロボット実演、さらに位置・姿勢を補助教師にしたデータ設計が論点になるとみられる。特に、ナビゲーションとマニピュレーションを分けつつ共通表現を学ぶ構造は、移動と把持の両方を扱う機体設計・評価基盤を持つ研究機関や企業に関係しうる。