NTTの物理ベースのワールドモデル、実行前にロボットの動作を評価

2026年11月11日、NTT, Inc.は発表した。物理法則に基づくワールドモデルを開発し、実行前にロボットの動作候補を評価することで、物体の落下や荷崩れなどの失敗を減らす。この技術により、小型ロボットによる棚への積み込みテストで、タスクの成功率が73.1%から92.3%に向上したという。

最初に想定されている用途は、空港での手荷物の自動積み込みと積み下ろしだ。荷物は形状、重量、配置がさまざまなため、従来のロボット制御だけでは、動作によって荷崩れや荷物の落下が起きるかどうかを事前に判断するのが難しい。また、あらゆる種類の荷物について学習データを集めるのは現実的ではない。NTTは、手荷物の取り扱いに関してMujin, Inc.と実地試験を行う計画だ。

モデルが動作候補を評価する仕組み

この技術は既存のロボット制御ソフトウェアと連携し、動作の前に予測と評価を行う。動作候補は、カメラ映像と言語による指示をロボットの動作に変換する視覚・言語・行動モデル、またはタスクの目標を達成するために必要な制御を算出するモーションプランナーから得られる。それぞれの候補について、予測映像を生成し、衝突や落下、荷崩れを評価する。その結果としてスコアを算出し、制御プログラムが成功の可能性が高いと評価された動作を選べるようにする。

NTTによると、従来のワールドモデルは物体の物理量を明示的に表現しないため、生成映像で物体が消えたり、不自然に変形したりするほか、衝突予測が不正確になる場合がある。また、大規模な学習データへの依存により、そのデータに含まれない状況では失敗しやすくなる。

NTTの物理制御アダプターは、映像から各物体の位置、向き、速度、質量などの特性を推定し、物理法則を適用してその後の動きを計算したうえで、その計算結果を映像生成モデルに渡す。NTTによると、こうした明示的な表現により、学習データに含まれない状況や動きにも対応できる。また、モデルは予測の根拠となる物理量も出力するため、生成結果の根拠を把握しやすくなる。

ベンチマークの結果と今後の展開

NTTは、合成物体が衝突する動画フレームを収録した公開OBJ3Dベンチマークを用いて、未来映像の予測精度も評価した。NTTによると、同社のモデルは、予測映像と正解映像を人間の知覚に沿って比較する指標であるLearned Perceptual Image Patch Similarity (LPIPS)で従来手法を上回った。この指標は値が低いほど類似度が高いことを示す。

NTTは、手荷物や小包の取り扱いに加え、物流、倉庫、製造、建設、小売分野への応用を目指し、ロボットサービス事業者や物流・倉庫関連企業との協業も検討する計画だ。人手の削減と生産性の向上は、こうした展開の目標であり、報告されたテストで実証された成果ではない。

この技術は、招待者限定で開催されるNTT R&D Forum 2026で展示される予定だ。同フォーラムは2026年11月18～20日と11月24～25日に開催される。2026年11月25日に開かれる、AIロボティクスと物理情報を活用したワールドモデルに関するセミナーでは、Mujin JapanのCEOである荒瀬勇氏と、NTTの上席特別研究員である島村潤氏が登壇者として挙げられている。

NTTが発表した結果は、小型ロボットによるタスクと、合成映像での衝突に関するものだ。今後予定されているMujinとの試験では、報告された棚への積み込み性能の向上が空港の手荷物取り扱いにも当てはまるかどうかを検証する。そこでは、モデルの開発につながった物理的なばらつきに対処するため、実行前の評価が求められる。