BLOG
ロボットは荷崩れをどう予測するのか。NTTのワールドモデル
荷物を置ける空間があっても、手を離した後に崩れるかもしれません。NTTのワールドモデルは、物理計算を映像予測に反映し、置き方ごとの未来を動作の前に比べます。小型ロボットの棚積み実験で得た成果を、空港の現場で使うには何を確かめる必要があるのでしょうか。

荷物を置く場所は、空きスペースだけでは決まらない
棚に空きがあっても、下の荷物が傾いていたり、車輪が当たって滑ったりすれば、手を離した後に崩れます。NTTは11月11日、ロボットが動く前に、置き方ごとの結果を予測して比べるフィジカルAI技術を発表しました。
ここでいうワールドモデルは、今の状態に対してある動作をしたら、周囲がどう変わるかを予測する仕組みです。置く場所と向きが違う候補を、既存の動作計画器やVLAが用意します。VLAは、映像と指示をもとにロボットの動作を出すモデルです。NTTの技術は候補ごとの未来を評価し、その結果を動作選びに使います。
NTTの研究発表物体の動きを計算し、その結果を映像の予測に使う
映像だけから未来を生成すると、荷物の形が途中で変わったり、ぶつかった後の動きが不自然になったりする場合があります。見た目が自然な映像でも、ロボットの判断に必要な接触や落下が正しく再現されるとは限りません。
NTTの物理制御アダプタは、物体ごとの位置、向き、速度や重さなどを推定し、物理法則に基づいて次の状態を計算します。映像生成モデルは、その結果を使って候補ごとの未来を描きます。たとえば棚の端に置く候補で落下が予測されれば、置く向きを変えた候補と比べられます。一方、映像から得る物体の状態には推定が入るため、予測と実際の動きがずれる余地は残ります。
物理制御アダプタの説明と予測例73.1%から92.3%は、小型ロボットの棚積みで測った
NTTは、荷物の積み付けを模した小型ロボットの棚積みで、技術を使わない場合の成功率73.1%と、使った場合の92.3%を報告しました。差は19.2ポイントです。比較は同発表にある棚積みタスクについてのもので、空港手荷物の積み込みはMujinと社会実証を進める対象です。
NTTは別に、物体の衝突を含む公開データで、予測映像が正解の映像にどれだけ近いかも評価しています。映像の類似度と、実機が荷物を安定して置けた割合は、別の指標です。
GR00T 2の記事では、映像と動作を一緒に予測して作業を覚える方法を扱いました。NTTの発表から分かるのは、すでに作れる動作候補に対して、行動前の評価を加える効果です。二つの研究は試した機体も作業も異なります。
関連するGR00T 2の解説空港では、成功率と一緒に止まり方を測る
導入を考えるときは、荷物の素材、底面、形状、重量の違いを分けて結果を記録すると、どこで予測が外れるかが見えます。たとえば柔らかいバッグが他の荷物に押される場合や、手前の荷物で奥の接触面が見えない場合です。棚積みの成功率と合わせて、危険な候補をどれだけ取り除けたか、安定した候補まで見送った回数も測れます。
複数の未来を比べる時間は、設備全体の処理量にも効きます。予測が間に合わない場合や、どの候補も安定すると判断できない場合にどう止めるかを先に決め、制御器の停止経路と一緒に試します。その条件で、落下の減少が待ち時間や人の介入を含めても現場の負担を減らすかを判断できます。