NTTのワールドモデル|物理制御アダプタによるフィジカルAIの成功率向上と課題

TECH+(マイナビニュース) 日本
概要
NTTは、ロボットが行動前に複数の未来をシミュレーションし、失敗の可能性が低い行動を選択できるフィジカルAI技術を開発した。物理制御アダプタを映像生成モデルに統合することで、小型ロボットによる荷物の棚積み成功率を73.1%から92.3%に向上させている。物理法則に基づいた正確な予測と経験的な映像生成を両立させることで、不定形物の操作などの難易度の高いタスクへの適用を目指す。
詳細

主要成果

NTTは、ロボットが実際に行動する前に複数の行動候補から生じる未来を予測・評価し、最適な行動を選択できるワールドモデルを開発した。この技術を小型ロボットによる荷物の棚積みタスクに適用したところ、タスクの成功率が従来の73.1%から92.3%へと大幅に向上した。また、物理的な予測性能を評価する公開ベンチマーク「OBJ3D」において、LPIPS×100の値が7.81を記録し、NVIDIA Cosmos Predict 2.5(21.90)や既存手法「OCK」(7.92)を上回る精度を確認している。

技術・詳細

開発されたワールドモデルは、映像生成モデルに独自の「物理制御アダプタ」を統合した構成となっている。従来の映像生成ベースのワールドモデルは、見た目の自然な未来を予測することには長けているが、物体が消失するなど物理法則に反する結果を生成し、ロボットの操作判断に用いるには不十分という課題があった。

物理制御アダプタは、映像から物体の位置、姿勢、速度、角速度、質量、慣性モーメントなどの物理量を推定し、運動方程式などの物理法則に基づいて将来の状態を計算する。この計算結果を映像生成の条件として入力することで、力学的な正確さと、経験的な予測(生物の動きや未知の空間の広がりなど)の両立を実現した。また、物理量を中間値として取り出せるため、ブラックボックス化しやすいニューラルネットワークに比べて予測根拠の説明性が高く、現場での調整や改善がしやすいという利点を持つ。

背景・業界の文脈

従来の産業用ロボットは、統制された環境でプログラムされた手順を繰り返す運用が主であり、タスクごとのシステム構築コストが課題であった。近年は汎用的な視覚・言語モデル(VLAモデルなど)を用い、少量のデータから行動を学習する技術が登場し、自動化の範囲が広がっている。しかし、空港手荷物や小売商品のように、形状、素材、重量、重心、摩擦が異なる物体の積み付けは依然として困難である。特に、一つの物体を操作したことが周囲の物体に波及し、荷崩れや転倒を招くリスクを考慮する必要があるため、高度な未来予測が求められていた。

今後の展望

NTTは、最初の社会実装領域として空港手荷物の積み込み・積み下ろしを想定しており、Mujinと連携して実装を進める。具体的には、Mujinのロボット制御技術が生成した行動候補に対し、NTTのワールドモデルが成功・失敗を判定することで全体の精度を高める方針である。今後の課題は処理速度の改善であり、現状では5秒先の未来予測に2〜3秒を要するため、モデルの蒸留などを活用して、精度を維持したまま高速化し、ロボットの手を止めずに動作させる技術に取り組むとしている。

元記事: https://news.mynavi.jp/techplus/article/20261111-5296066/

毎週の技術動向レポートを無料でお届け

各分野の分析レポートを読む価値があるかどうか一目で判断できるインフォグラフィックをメールで受け取れます。

📢 メールマガジンに無料登録(週刊・技術動向レポート)

ご登録いただくと、Troy-Technical から週刊で技術動向レポート(メールマガジン)をお届けします。

  • 取得したメールアドレス・選択分野は配信目的にのみ使用します。
  • 第三者へ提供することはありません。
  • 配信はいつでも解除できます(各メール下部のリンクから)。

詳しくはプライバシーポリシーをご覧ください。

登録は1分・いつでも解除できます

この記事は Troy-Technical が公開しています。素材メーカーで技術開発に携わってきた技術者が、個人で運営しているサイトです。
運営者について / お問い合わせ info@troy-technical.jp
よかったらシェアしてね!
  • URLをコピーしました!
  • URLをコピーしました!

この記事を書いた人

目次