何が起きたか

arXivは2026年11月18日、四足ロボットの移動操作向けポリシー「WAM-Policy」を扱う論文を掲載した。同手法は、腕型ロボット向けのWorld Action Modelを四足ロボットに適応し、強化学習と蒸留で改善する二段階構成だ。QLM-Benchの模擬10タスクでは、最終ポリシーの成功率は85.0%だった。

詳細

第1段階では、腕型モデルから四足ロボットへポリシーを移し、on-policy self-distillation(OPSD)で、動画1ステップ・行動2ステップの学生ポリシーに蒸留する。模擬環境では、転移後の成功率77.0%に対し、OPSD学生は76.7%を保ち、サンプリング速度は14倍となった。評価に使った10タスクのデモ1,000件は、遠隔操作なしで合成したものだ。 第2段階では教師ポリシーを強化学習で調整し、multi-teacher on-policy distillation(M-OPD)で複数の専門ポリシーを少数ステップの学生ポリシーに統合した。これにより模擬環境での成功率は85.0%となった。研究チームはOPSD学生を実機のUnitree Go2 Airにも適用したと報告している。

Key Facts

論文は2026年11月18日にarXivで掲載された。[1]
QLM-Benchの模擬10タスクで、転移後のポリシーは成功率77.0%、OPSD学生は76.7%を記録し、学生のサンプリング速度は14倍だった。[1]
評価に用いたデモ1,000件は、遠隔操作なしで合成された。[1]
強化学習とM-OPDを経たポリシーの模擬環境での成功率は85.0%だった。[1]
OPSD学生は実機のUnitree Go2 Airに適用された。[1]

本紙の見方

この研究の中心は、四足ロボットに言語指示を与えることだけではない。腕型ロボット向けに事前学習されたWorld Action Modelを、前脚で操作しながら三脚で歩く四足ロボットへ移し、推論を軽くした上でタスク性能を上げる構成にある。転移ポリシーからOPSD学生への蒸留では成功率をほぼ維持し、サンプリングを14倍速めた一方、学生の性能は教師の模倣能力に制約されるとして、次段階で教師を強化学習により調整している。最終値85.0%はこの追加段階を含む模擬評価の結果であり、実機で同じ値が得られたという意味ではない。 本紙のビジネス+IT、フィジカルAIの「世界モデル」を巡る識者の議論を掲載は、フィジカルAIを複数レイヤーから成る領域として扱っていた。今回の論文は、その議論に含まれる世界モデル一般の結論を示すものではないが、World Action Modelを移動と操作に用いる具体例を提示する。特に、腕型から脚型への形態差をポリシー転移と蒸留で扱い、さらに強化学習で教師を更新する点が、モデルの適用範囲と実行効率を分けて検討する設計になっている。 評価構造からは、デモ模倣だけの性能と、タスク固有の強化学習を加えた性能を区別して読める。デモ1,000件を遠隔操作なしで合成した点は、データ作成に人がロボットを操作する工程を必須としない設定を試したものだが、実環境で同様のデータ生成が可能かは、この記述だけでは分からない。また、実機適用が明記されているのはOPSD学生であり、実機での成功率、連続稼働、異なる地形や指示への汎化は示されていない。次に確認すべきなのは、強化学習後のポリシーの実機評価、Go2 Air以外への適用、指示の種類ごとの成績、実行時の計算負荷である。

なぜ重要か

この手法は、腕型モデルを四足ロボットへ移したOPSD学生について、模擬10タスクで成功率76.7%を保ちながらサンプリング速度を14倍にしたと報告しており、推論効率を保ちつつ移動操作を扱うポリシー設計に関係する。一方、85.0%は強化学習と蒸留を加えた模擬環境の結果であり、実機での性能として読むことはできない。