あなたのドローンが単なるリモコン玩具ではなく、「大きな樫の木の裏にある赤い納屋まで飛んで行って」といった音声コマンドを理解できるスマートな探検家になる世界を想像してみてください。これは**視覚言語ナビゲーション（Vision-Language Navigation）**の夢です。長い間、科学者たちはロボットに言葉を聞き、画像を見て、どこへ行くべきかを判断する方法を教えようとしてきました。しかし、そこには落とし穴があります。それは、思考と移動のスピードが全く異なるということです。賢いコンピュータの脳（大規模言語モデルのようなもの）が「赤い納屋」が何を意味するかを理解するのに1秒かかる一方で、空を飛ぶドローンは、木の枝に衝突することを避けるために、1秒間に数百回も安全に関する判断を下す必要があります。もしドローンが、考えるために毎回「脳」を待っていたら、衝突してしまうでしょう。研究者が問い続けている大きな問題は、「いかにして、遅くて賢い脳が、速い飛行体がパニックになったり墜落したりすることなく、指示を与えることができるか？」ということです。

この論文は、遅くて思慮深い「脳」と、速くて反応の良い「パイロット」の間の翻訳機として機能する、Fly0と呼ばれる巧妙な解決策を紹介しています。スマートな脳に毎秒ステアリング（操舵）をさせる代わりに、Fly0は、脳が約2秒に一度だけ「宿題」を済ませるようにします。つまり、現実世界の中に安定した、目に見えない「ターゲット・アンカー（目標の錨）」を設定させるのです。これは、まるで「マルコ・ポーロ」のゲームのようです。スマートな脳（呼び出し手）が、「君は大きな木の近くにいるよ！」と場所を叫ぶと、ドローン（泳ぎ手）はその場所に向かって泳ぎ始めます。たとえ木が茂みの後ろに隠れたり、カメラが一時的に対象を見失ったりしても、ドローンはパニックになりません。ドローンは、脳が以前に設定した目に見えないアンカーに向かって泳ぎ続け、その過程で自身の高速センサーを使用して、枝や岩を回避します。脳は、ドローンがコースから外れすぎた場合や、ターゲットが変わった場合にのみ、再び声を上げる必要があります。

研究者たちは、このアイデアを高度なコンピュータ・シミュレーションと、実際のドローンを用いた実世界での飛行の両方でテストしました。その結果、この「設定して忘れる（set it and forget it）」アプローチは、スマートな脳に直接ドローンの操舵をさせようとするよりもはるかに優れた結果を示すことがわかりました。テストにおいて、Fly0は、シミュレーションでは他のスマートな手法よりも成功率が約**23.7%高く、実生活では約21.4%**高い成功率を達成しました。また、衝突も少なく、ターゲットが隠れている場合や、周囲に紛らわしい物体がある場合でも、ミスが少ないことが示されました。この論文は、秘訣は単に「より賢い脳」を持つことではなく、「遅い思考」と「速い動き」の間の「より良い架け橋」を築くことにあると示唆しています。思考と飛行を分離しつつも接続しておくことで、ドローンはついに、自分自身の精神（あるいは翼）を失うことなく、複雑な指示を理解できるようになるのです。

問題点：速い体に追いつかない脳

Fly0がなぜ特別なのかを理解するには、ドローンの2つの主要な仕事、すなわち**「考えること」と「飛ぶこと」**を想像する必要があります。

「考える」部分は、巨大なAIモデル（MLLMと呼ばれます）によって行われます。このモデルは、地図を読み、「木の正面まで飛んで」といった文章を理解し、画像内の正しい場所を指し示すことができる、天才的な司書のようなものです。しかし、この司書は動作が遅いです。読み、考え、答えを書き出すには時間がかかります。

「飛ぶ」部分は、ドローンのフライトコントローラーによって行われます。これは、空中に留まり、衝突を避けるために、1秒間に50回から100回、翼やモーターを調整する必要がある、反射的なアスリートのようなものです。

古い手法では、科学者はこの司書にアスリートを操縦させようとしました。彼らは、ドローンが動くたびに、遅い脳に対して新しい操舵コマンドを出すよう求めたのです。これにより、3つの大きな問題が発生しました。

1. 速度のミスマッチ： ドローンは脳が考えるのを待ちますが、答えが返ってくる頃には、ドローンはすでに流されていたり、壁にぶつかりそうになっていたりしました。
2. 記憶のギャップ： ドローンが顔を向けたことでターゲット（木など）がカメラの視野から消えてしまうと、遅い脳はそれがどこにあったかを忘れてしまいます。その結果、ドローンは混乱し、停止したり、ぐるぐる回ったりしてしまいます。
3. 精度の問題： 脳は「木に向かって飛べ」と言うかもしれませんが、ドローンは衝突しないために、3次元空間の「正確にどこ」で止まるべきかを知る必要があります。単純なテキストによる回答では、高速飛行には不十分なのです。

解決策：持続的なアンカー（Persistent Anchor）

Fly0は、ルールの変更によってこれを解決します。脳に操舵を求めるのではなく、脳に目的地を設定させ、その後は下がってもらうようにするのです。

Fly0の仕組みは、以下のステップで行われます。

1. 「契約」（構造化出力）： ドローンが画像とコマンド（例：「右側にある電柱の正面まで飛んで」）を脳に送ると、脳は単に推測するのではなく、厳格なルールに従います。脳は、画像上の点、オブジェクトを囲むボックス、関係を表す言葉（「正面」や「上」など）、そして信頼度スコアを含む、特定の情報のパッケージを返さなければなりません。これにより、脳が曖昧であったり、乱雑な回答を出したりすることを防ぎます。

2. 「3Dリフト」（不確実性のチェック）： 脳の回答は、画像上の2次元の点に過ぎません。Fly0はその点を取得し、深度センサー（3Dカメラなど）を使用して、それを現実世界の3次元空間へと持ち上げます（リフトアップ）。しかし、ここが賢い点です。Fly0はエラーをチェックします。もし深度データが不安定だったり、オブジェクトが隠れていたりする場合、Fly0は「このデータは信頼できない」と判断し、そのデータを無視します。データが確実である場合にのみ、ターゲットを受け入れます。

এটিは、ターゲットが強固である場合にのみ受け入れられます。

3. 「フリースペース」調整： コマンドが「木の正面へ飛んで」である場合、脳は木の幹を指すかもしれません。しかし、ドローンは木の中に突っ込むことはできません。Fly0には、「よし、木はここにあるが、『正面』とは、その2メートル前の空いている空間のことである」というルールがあります。これにより、ターゲットをドローンが実際にホバリングできる安全で開けた場所にシフトさせます。

4. 「持続的なアンカー」（魔法のトリック）： ターゲットが設定されると、Fly0はそれを持続的な3Dアンカーとして保存します。これは、カメラがもう木を見ることができなくなっても、ドローンのメモリ内に残り続けるGPS座標のようなものです。ドローンの高速なフライトコントローラーは、ここから主導権を握ります。ドローンは遅い脳を無視し、保存されたアンカーに向かって飛行し、自身の高速センサーを使用して障害物を回避します。脳は、ドローンがターゲットに近づいたとき、あるいはターゲットが変わったときにのみ、再び起動する必要があります。

結果が示すこと

研究者たちは、このシステムを2つの方法でテストしました。一つは超現実的なコンピュータ・シシミュレーション、もう一つは、公園やキャンパスで実際にドローンを飛ばす実世界でのテストです。

• 成功率： コンピュータのテストでは、Fly0は次点の優れた手法よりも**23.7%**高い成功率を記録しました。実生活では、**21.4%**高い成功率を示しました。これは非常に大きな飛躍です。
• 安全性： ドローンの衝突回数も減少しました。衝突率が大幅に低下したことは、「アンカー」方式が、遅い脳に直接操舵させようとするよりも安全であることを示しています。
• 混乱への対応： 似たような木が複数ある場合（「繰り返されるオブジェクト」の問題）や、ターゲットが葉に隠れている場合でも、Fly0はよりうまく対処できました。アンカーをメモリに保持していたため、視界が遮られても混乱しませんでした。
• 速度： 「脳」（強力なサーバー上で動作）への接続が遅かったり、遅延があったりする場合でも、システムは機能しました。ドローンは、毎秒新しい指示を求める必要がなかったため、スムーズに飛行を続けられました。

Fly0が「行わない」こと

Fly0が何ではないのかを理解しておくことも重要です。

• それは、新しいフライトコントローラーではありません。ドローンは、実際に移動するために、標準的で実績のあるフライトソフトウェア（Ego-Planner）を引き続き使用しています。
• それは、新しいAIの脳ではありません。彼らは既存の大規模言語モデル（Qwen2.5VLなど）を使用しており、新しいモデルを発明したわけではありません。
• それは、あらゆる問題に対する魔法の解決策ではありません。もしドローンが非常に密な森の中にいて開けたスペースがない場合や、指示が極めて複雑で入れ子構造になっている場合（例：「ランプの左側にある看板の裏にある木へ」）、システムは依然として混乱する可能性があります。論文では、複雑な空間関係を理解することは依然として困難な課題であると認めています。

まとめ

Fly0の主な教訓は、ドローンを賢くするためには、単に「より賢い脳」が必要なのではなく、より優れたインターフェース、つまりシステムの「遅くて思慮深い部分」と「速くて反応的な部分」を接続するためのより良い方法が必要であるということです。AIを「操舵手」ではなく「目標設定者」として扱い、ドローンに保持すべき安定したメモリ・アンカーを与えることで、自律飛行をより安全で、信頼性が高く、そして混沌とした現実世界を理解できるものにすることができます。この役割の分離こそが、次世代の飛行ロボットを解き放つ鍵であると、この論文は示唆しています。