NTT:n fysiikkaan perustuva maailmamalli arvioi robotin toimia ennen niiden suorittamista

11. marraskuuta 2026 NTT, Inc. ilmoitti fysiikkaan perustuvasta maailmamallista, joka arvioi robotin mahdollisia toimia ennen niiden suorittamista vähentääkseen esimerkiksi esineiden putoamisesta ja kuormien sortumisesta johtuvia epäonnistumisia. Yhtiön mukaan teknologia nosti tehtävän onnistumisasteen pienellä robotilla tehdyssä hyllykuormaustestissä 73,1 prosentista 92,3 prosenttiin.

Ensimmäiseksi suunnitelluksi käyttökohteeksi on kaavailtu lentokenttien matkatavaroiden automaattista lastausta ja purkamista. Matkatavaroiden muotojen, painojen ja sijoittelun vaihtelu vaikeuttaa sitä, että perinteinen robotinohjaus pystyisi yksin ennakoimaan, sortuuko kuorma tai putoaako esine, eikä harjoitusaineiston kerääminen kaikista mahdollisista esineistä ole käytännössä mahdollista. NTT suunnittelee Mujin, Inc:n kanssa kenttäkokeita matkatavaroiden käsittelyssä.

Näin malli arvioi mahdollisia toimia

Teknologia toimii yhdessä nykyisten robotinohjausohjelmistojen kanssa ja lisää liikkeen aloittamista edeltävän ennustamisen ja arvioinnin. Mahdolliset toimet voivat olla peräisin näkö-kieli-toimintamallista, joka muuntaa kameravideon ja kielelliset ohjeet robotin toimiksi, tai liikesuunnittelijalta, joka laskee tehtävän tavoitteen saavuttamiseen tarvittavat ohjaustoiminnot. Malli tuottaa jokaisesta vaihtoehdosta ennustevideon ja arvioi törmäyksiä, esineiden putoamista ja kuorman sortumista. Näin syntyy pistemäärä, jonka avulla ohjausohjelma voi valita toiminnan, jonka arvioidaan todennäköisesti onnistuvan.

NTT:n mukaan perinteiset maailmamallit eivät esitä objektien fysikaalisia suureita eksplisiittisesti, minkä vuoksi objektit voivat ennustevideossa kadota tai muuttaa muotoaan epäuskottavasti ja törmäysennusteet voivat olla epätarkkoja. Niiden riippuvuus suurista harjoitusaineistoista lisää myös epäonnistumisten todennäköisyyttä tilanteissa, joita aineisto ei kata.

NTT:n fysiikkaohjainsovitin arvioi videosta kunkin objektin ominaisuuksia, kuten sijaintia, asentoa, nopeutta ja massaa, soveltaa fysikaalisia lakeja seuraavan liikkeen laskemiseen ja välittää laskelmat videonmuodostusmallille. NTT:n mukaan tämä eksplisiittinen esitystapa auttaa käsittelemään tilanteita ja liikkeitä, joita harjoitusaineistossa ei ole. Malli tuo esiin myös ennusteen taustalla olevat fysikaaliset suureet, minkä ansiosta tuotetun tuloksen perusteita on helpompi ymmärtää.

Vertailutulokset ja laajentumissuunnitelmat

NTT arvioi myös tulevien videokuvien ennustetarkkuutta julkisella OBJ3D-vertailutestillä, joka sisältää synteettisten objektien törmäyksiä kuvaavia videoruutuja. NTT:n mukaan sen malli päihitti perinteiset menetelmät Learned Perceptual Image Patch Similarity (LPIPS) -mittarilla. Mittari vertaa ennustettua videota vertailuvideoon tavalla, joka vastaa ihmisen havaintokykyä; pienemmät arvot merkitsevät suurempaa samankaltaisuutta.

Matkatavaroiden ja pakettien käsittelyn lisäksi NTT aikoo kehittää sovelluksia logistiikkaan, varastointiin, valmistukseen, rakentamiseen ja vähittäiskauppaan sekä harkita yhteistyötä robottipalvelujen tarjoajien ja logistiikka- ja varastointiyritysten kanssa. Työvoiman tarpeen vähentäminen ja tuottavuuden parantaminen ovat laajentumisen tavoitteita, eivät raportoidussa testissä osoitettuja tuloksia.

Teknologia on määrä esitellä NTT R&D Forum 2026 -tapahtumassa, joka on vain kutsuvieraille avoin tilaisuus ja järjestetään 18.–20. marraskuuta 2026 sekä 24.–25. marraskuuta 2026. Tekoälyrobotiikkaa ja fysiikkaan perustuvaa maailmamallia käsittelevän 25. marraskuuta 2026 järjestettävän seminaarin puhujiksi on ilmoitettu Mujin Japanin toimitusjohtaja Isamu Arase ja NTT:n johtava tutkimusinsinööri Jun Shimamura.

NTT:n julkistamat tulokset koskevat pienellä robotilla tehtyä tehtävää ja synteettisiä törmäysvideoita. Suunnitelluissa Mujin-yhteistyön kenttäkokeissa selvitetään, voidaanko raportoidut hyllykuormauksen parannukset siirtää lentokenttien matkatavaroiden käsittelyyn, jossa ennen toiminnan suorittamista tehtävän arvioinnin on pystyttävä huomioimaan mallin kehittämiseen johtanut fysikaalinen vaihtelu.