より良い想像上のロールアウトはより良いロボット制御を意味するか？フィードバック下でのワールドモデル評価の統制研究

本研究は、ロボティクスにおける予測モデル（World Model）の評価方法について、オープンループの予測精度とクローズドループの制御性能の関係を、差動駆動の経路追従タスクで体系的に調査したもの。6種類の状態推定器を24のセンシング条件下で、trajectory replay、20ステップのmeasurement-free rollout、クローズドループ追従の3つの評価方法で比較し、評価指標の選択が推定器のランキングに与える影響を明らかにした。

従来の研究では、予測モデルは固定ホライズンのオープンループ予測精度で評価されることが多かったが、実際のロボットはクローズドループで動作する。本研究は、この乖離を実験的に示し、replayベースの評価がrolloutベースの評価よりもクローズドループ性能と強く相関することを定量的に示した点が新しい。また、予測ホライズンと測定更新間隔の相互作用を系統的に分析した点も先行研究にはない貢献。

手法の肝は、評価方法の比較と、ホライズンと更新間隔のグリッド探索。具体的には、6つの状態推定器（EKF、GRU-EKFなど）を、バイアス付きodometryと断続的なランドマークセンシングの下で、trajectory replay（測定値を使用）、20ステップのrollout（測定値なし）、クローズドループ追従の3つの方法で評価。相関分析（Spearman rho）とランキング一致度を用いて、各評価指標の妥当性を比較。さらに、rolloutホライズンと測定更新間隔を変化させて、ランキングへの影響を調査。

24のセンシング条件で実験を行い、replayの位置RMSEはクローズドループのcross-track RMSEと強い相関（rho=0.923）を示し、rollout誤差（rho=0.774）よりも高かった。また、rollout指標は24条件中18条件でクローズドループ最適と異なる推定器を選択したのに対し、replayは5条件のみ。ホライズンと更新間隔のグリッドでは、H=20で測定が毎ステップある場合のランク一致度rho=0.916が、測定なしではrho=0.774に低下。長いホライズンでも定期的な補正があれば情報が保たれることを確認。さらに、長いセンシング停止で訓練したrecurrent estimatorは、複合的なセンシング劣化でGRU-EKFのcross-track RMSEを1.72mから1.06mに改善したが、単独の停止や他のアーキテクチャでは一貫しなかった。

議論として、予測モデルの評価は予測ホライズンと測定更新スケジュールを明示すべきであり、フィードバックで使用するモデルには、オフラインのrolloutがクローズドループ動作のセンシングと補正パターンを反映している場合に最も情報量が高いと結論。また、recurrent estimatorの訓練方法による改善が限定的であることから、アーキテクチャや訓練分布の影響についてさらなる研究が必要。要旨からは、実世界のノイズモデルや他のタスクへの一般化については不明。

要旨で参照されている関連研究として、World Modelの評価に関する研究や、モデルベース強化学習におけるモデル誤差の影響を調べた論文が考えられる。具体的には、モデル予測制御（MPC）におけるモデル精度の影響や、シミュレーションと実機のギャップ（sim-to-real）に関する研究が関連する。また、状態推定におけるEKFやGRUの比較研究も挙げられる。