NTT、ロボットの失敗を回避するフィジカルAI

NTTの発表は、ワールドモデルの既知の弱点に対処するものだ。大量の動画データから将来の変化を経験的に学ぶシステムは、学習していない状況で物理法則に反する予測を生成することがある。これは空港の手荷物や宅配便を扱う現場で特に問題となる。形状や重さ、配置がさまざまで、あらゆる状況の学習データを集めるのは難しいからだ。NTTの手法は、動画生成モデルに独自の「物理制御アダプター」を組み合わせる。同アダプターが物体の位置、向き、速度、質量を推定し、運動方程式に基づいて状態変化を予測する。経験ベースの生成器と物理ベースのアダプターを統合することで、物体が消えたり変形したりする不自然な予測を抑えるという。既存のロボット制御ソフトとも連携でき、VLAモデルや動作計画から出た複数の行動候補について実行後の状況を動画で予測し、各行動の成功率を採点するため、ロボットは動く前に選択肢を比較できる。棚積みの結果に加え、NTTはベンチマークOBJ3DでLPIPSスコア7.81を報告し、OCKの7.92、NVIDIA Cosmos Predict 2.5の21.90を上回った。最初の想定用途は空港の手荷物扱いで、Mujinと検証を進め、物流、倉庫、製造、建設、小売への展開を目指す。