NTT’nin fizik temelli dünya modeli, robot eylemlerini uygulamadan önce değerlendiriyor

11 Kasım 2026’da NTT, Inc. bir fizik temelli dünya modeli duyurdu. Model, nesnelerin düşmesi ve yüklerin çökmesi gibi aksaklıkları azaltmak için olası robot eylemlerini uygulanmadan önce değerlendiriyor. NTT, teknolojinin küçük bir robotla yapılan raf yükleme testindeki görev başarısını %73,1’den %92,3’e çıkardığını belirtti.

Öngörülen ilk uygulama, havalimanı bagajlarının otomatik olarak yüklenip boşaltılması. Bagajların şekil, ağırlık ve yerleşim düzenindeki farklılıklar, geleneksel robot kontrolünün tek başına bir eylemin yükün çökmesine ya da bir eşyanın düşmesine yol açıp açmayacağını önceden belirlemesini zorlaştırıyor. Ayrıca, olası her eşya için eğitim verisi toplamak da pratik değil. NTT, bagaj elleçleme alanında Mujin, Inc. ile saha denemeleri yapmayı planlıyor.

Model olası eylemleri nasıl değerlendiriyor?

Teknoloji, mevcut robot kontrol yazılımlarıyla çalışıyor ve robot hareket etmeden önce tahmin ve değerlendirme yapıyor. Olası eylemler, kamera görüntülerini ve dil talimatlarını robot eylemlerine dönüştüren bir görsel-dil-eylem modelinden ya da bir görev hedefini gerçekleştirmek için gereken kontrol komutlarını hesaplayan bir hareket planlayıcısından alınabiliyor. Sistem, her seçenek için tahmini bir video oluşturuyor; çarpışma, eşya düşmesi ve yükün çökmesi risklerini değerlendiriyor. Ardından kontrol programının başarılı olma olasılığı yüksek görülen bir eylemi seçmesini sağlayan bir puan üretiyor.

NTT’ye göre geleneksel dünya modelleri, nesnelerin fiziksel niceliklerini açıkça temsil etmiyor. Bu durum, oluşturulan videolarda nesnelerin kaybolmasına ya da gerçekçi olmayan biçimde deforme olmasına ve çarpışmaların hatalı tahmin edilmesine yol açabiliyor. Bu modellerin büyük eğitim veri kümelerine bağımlı olması, verilerde yer almayan durumlarda başarısızlık olasılığını da artırıyor.

NTT’nin fizik kontrol adaptörü, videodan her nesnenin konumu, yönelimi, hızı ve kütlesi gibi özelliklerini tahmin ediyor; sonraki hareketi hesaplamak için fizik yasalarını uyguluyor ve bu hesaplamaları video oluşturma modeline iletiyor. NTT, bu açık temsilin eğitim verilerinde bulunmayan durum ve hareketlerin ele alınmasını sağlayabileceğini belirtiyor. Model ayrıca bir tahminin dayandığı fiziksel nicelikleri de çıktı olarak veriyor; böylece oluşturulan sonucun dayanağını anlamak kolaylaşıyor.

Kıyaslama sonuçları ve genişleme planları

NTT, sentetik nesnelerin çarpıştığı video karelerini içeren, kamuya açık OBJ3D kıyaslama kümesinde gelecekteki video karelerini tahmin etme doğruluğunu da değerlendirdi. NTT, modelinin tahmin edilen videoyu gerçek referansla insan algısıyla uyumlu biçimde karşılaştıran Learned Perceptual Image Patch Similarity (LPIPS) ölçütünde geleneksel yöntemlerden daha iyi sonuç verdiğini bildiriyor; daha düşük değerler daha yüksek benzerlik anlamına geliyor.

NTT, bagaj ve paket elleçlemenin yanı sıra lojistik, depolama, imalat, inşaat ve perakende alanlarındaki uygulamaları da takip etmeyi planlıyor. Robot hizmeti sağlayıcılarıyla, lojistik ve depolama şirketleriyle iş birliği yapma olasılığını da değerlendirecek. İş gücü ihtiyacını azaltmak ve verimliliği artırmak, genişleme planının hedefleri; bildirilen testin ortaya koyduğu sonuçlar değil.

Teknolojinin, 18–20 Kasım 2026 ve 24–25 Kasım 2026 tarihlerinde düzenlenecek, yalnızca davetlilere açık NTT R&D Forum 2026 etkinliğinde sergilenmesi planlanıyor. 25 Kasım 2026’da yapılacak yapay zekâ robotları ve fizik bilgisiyle yönlendirilen dünya modeli konulu seminerde konuşmacı olarak Mujin Japan CEO’su Isamu Arase ile NTT yönetici araştırma mühendisi Jun Shimamura yer alıyor.

NTT’nin açıkladığı sonuçlar, küçük bir robotla yapılan bir görevi ve sentetik çarpışma videolarını kapsıyor. Planlanan Mujin denemeleri, bildirilen raf yükleme iyileşmesinin havalimanı bagaj elleçlemeye aktarılıp aktarılamayacağını sınayacak. Bu uygulamada, modelin geliştirilmesine yol açan fiziksel farklılıkların, eylem uygulanmadan önceki değerlendirmede ele alınması gerekiyor.