NTT、動く前に荷崩れを予測するワールドモデル 成功率92%に
執筆・監修: 佐々木 航公開 更新 3 分で読めます
大きさも重さもばらばらの空港の手荷物を、ロボットが積み上げる。その前に、いくつかの置き方をそれぞれ試した「先の映像」を作り、荷崩れや落下が起きない置き方を選ぶ。NTTは11月11日、こうした判断に使うワールドモデルを開発したと発表しました。ワールドモデルは、ロボットの動きに応じて周りがどう変わるかを予測する仕組みです。小型のロボットで荷物を棚に積む試験では、この仕組みを足すと成功率が73.1%から92.3%に上がりました。
映像を作るモデルに、物理の計算を足す
これまでのワールドモデルの多くは、映像を作るAIで先の場面を描きます。ただ、物の重さや速さを中ではっきり扱いません。そのため、映像の中で物が消えたり形が崩れたりし、ぶつかったときの動きも外すことがあります。学習のデータにない場面で予測が崩れやすいのも弱点です。
NTTは、映像から物ごとの位置、向き、速さ、重さを見積もり、運動の方程式で次の動きを計算する「物理制御アダプタ」を作り、映像を作るモデルに組み込みました。この組み込みは世界で初めてだと、NTTは説明しています。計算の結果を映像づくりに反映させるので、物が消えにくく、衝突や崩れ方の予測が正確になります。予測の根拠になった重さや速さも出せるため、なぜそう予測したのかを人が確かめやすい作りです。
| 評価 | 結果 |
|---|---|
| 棚に荷物を積む試験の成功率 | 73.1%→92.3% |
| 衝突を含む映像の予測の誤差(OBJ3D・低いほど正確) | |
| NVIDIA Cosmos Predict 2.5 | 21.90 |
| これまでで最も正確な手法(OCK) | 7.92 |
| NTTのワールドモデル | 7.81 |
誤差は、人の見え方に近い形で正解の映像との違いを測る指標LPIPSを100倍した値です。
使い方としては、今のロボットの制御の上に重ねる形です。画像と言葉から動きを決めるVLAのモデルや、動きの道筋を計算する仕組みが出した行動の候補ごとに、実行したあとの映像を作り、落下や衝突が起きるかを点にして返します。ロボットの制御の流れに直接入れられるよう、正確さを保ったまま速く動く構成にしたといいます。
空港の手荷物から、物流や製造へ
最初に狙うのは、形や重さの違う空港の手荷物の積み込みと積み下ろしです。宅配便の小口の荷物のように、あらゆる荷物を学習のデータでそろえるのが難しい現場ほど、物理の法則で補う仕組みが効くという考えです。今後はロボットの会社Mujinと組んで社会での実証を進め、物流や倉庫、製造、建設、小売に広げる予定です。11月18〜25日のNTT R&D FORUM 2026で展示します。
読み取れること
映像の予測の誤差を表で見ると、汎用の映像のモデルとの差は大きいのですが、物の動きに絞った既存の最高の手法との差は7.92と7.81で、わずかです。NTTの強みは、予測の細かな正確さより、物理の量を出して理由を説明できることと、ロボットの判断に組み込んで成功率を上げたことにあると読めます。
同じ週には、Google DeepMindがGemini Robotics 2.5で工場の部品の仕分けを96%成功させたと発表しました。つまり、あちらは大きなモデルに多くの作業を学ばせる方向で、NTTは物理の法則で学習のデータにない場面を補う方向です。どちらも、実験室の外の現場で失敗をどう減らすかに焦点が移ってきたことを示しています。
YOBITSUGI AIで使えるか
研究の段階の技術で、YOBITSUGI AIからは使えません。
出典
- ロボットが「動く前に未来を予測」、失敗を回避するフィジカルAI技術を開発(NTTニュースリリース・2026年11月11日)