想像してみてください。あなたはロボットに迷路の進み方を教えていますが、地図もGPSもコンパスも与えることができません。手元にある唯一の手がかりは、目的地を写した一枚の写真だけです。これが**画像目標ナビゲーション（image-goal navigation）**という課題です。これを解決するために、ロボットは単に写真を見て推測するだけでは不十分です。ロボットは少し「空想」をする必要があります。つまり、「もし左に一歩進んだら、世界はどう見えるだろうか？ もし右に曲がったら、どこに辿り着くだろうか？」と自問自答できる「世界モデル（world model）」、すなわち精神的なシミュレーターが必要なのです。何千回もの精神的なシミュレーションを実行することで、ロボットは実際に車輪を動かす前に、最善の経路を選ぶことができます。しかし、ここには落とし穴があります。もしロボットの精神的なシミュレーターが未来を予測するのが下手だったり、あるいは「良い」経路と「悪い」経路の違いを判別できなかったりすると、ロボットは迷子になってしまいます。ロボットは自分の空想をランク付けする方法、つまり、実際に写真へと導く経路が最も高いスコアを得られるようにする方法を必要としているのです。

この論文は、まさにその問題、つまり、未来を正確に予測するだけでなく、自身の予測を「採点」する方法をロボットに教えるための、ロボットの精神的シミュレーターの構築方法に取り組んでいます。研究者たちは、単にロボットに次のステップを予測するように訓練するだけでは不十分であることを発見しました。もしロボットが、完璧な現実世界のデータに基づいて未来を予測するように訓練された場合（これは「ティーチャー・フォーシング」と呼ばれる手法です）、ロボットは外部の正解（グラウンドトゥルース）に依存してしまい、自分自身の不完全な推測に基づいて未来を予測しなければならない時に失敗してしまいます。さらに、彼らは、特定の種類のコントラスティブ学習（対照学習）を用いてロボットの予測をより「識別的」にしようとすることが、実際には精神的なマップの幾何学的構造を乱し、計画を困難にすることを発見しました。代わりに、彼らは、ロボットに自身の前の推測を用いて未来を予測させるように強制する新しい訓練方法（オートレグレッシブ・ロールアウト）を提案し、さらに特別なルールを追加しました。それは、「経路が目標から離れれば離れるほど、より高い『コスト』やペナルティを受けなければならない」というルールです。これにより、ロボットが最善の経路へと滑り落ちていけるような、滑らかで単調なランドスケープ（景観）が作り出されます。

ロボットの空想の問題

ロボットが目標画像に向かって進もうとする様子を、頂上からの景色を写した写真だけを頼りに、特定の山の頂を目指すハイカーに例えて考えてみてください。ハイカーには地図もコンパスもなく、自分が今どこにいるのかも分かりません。持っているのは、自分の目と、目的地の精神的なイメージだけです。そこに到達するために、ハイカーはこう想像する必要があります。「もし北へ歩いたら、木々は写真と同じように見えるだろうか？ もし南へ歩いたら、崖が見えるだろうか？」

ロボットの世界において、この精神的なシミュレーションは**世界モデル（World Model）**と呼ばれます。これは、水晶玉のように機能するニューラルネットワークです。あなたが「これが今の見え方で、これが私が考えている行動です」と伝えると、それは「次に見えるのはこれです」と答えます。これらの予測を連鎖させることで、ロボブルットは頭の中で一連の旅をシミュレートすることができます。

しかし、ここが難しいところです。それが**プランニング（計画）です。水晶玉を持っているだけでは不十分で、どの経路がベストかを知る必要があります。ロボットは何百もの異なる想像上の経路を試します。それらをスコア付けする方法が必要です。この論文において、スコアはコサイン距離（cosine distance）**に基づいています。これは、二つの画像（あるいはデジタルな「指紋」）がどれほど似ているかを測定する、少し高度な方法です。もしロボットの精神的なシミュレーションによる経路の終端が、目標の写真と非常によく似ていれば、スコアは良くなります。もし全く似ていなければ、スコアは悪くなります。

著者たちが発見した問題は、既存の多くのロボットがこのスコアリングのゲームにおいて非常に下手であるということです。彼らは一歩先の未来を正確に予測できるかもしれませんが、十歩先を予測しようとすると、予測が制御不能になります。さらに悪いことに、たとえ未来をうまく予測できたとしても、異なる経路に対して割り当てる「コスト」が混沌としている場合があります。例えば、崖へと続く経路が「素晴らしい」スコアを与えられ、山の頂へと続く経路が「ひどい」スコラを与えられるハイカーを想像してみてください。そのハイカーは崖に向かって歩いてしまうでしょう！ これは、「目標からの距離」と「スコア」の関係が滑らか、あるいは**単調（monotone）**ではない場合に起こります。

解決策：より優れた空想家

著者たち（ドレクセル大学のアミールホセイン・チャヘ、シーウェイ・カイ、およびリフェン・ジョウ）は、これを修正するために新しい種類のロボットの脳を構築しました。彼らはこれを**単調なプランニング・コストを持つ潜在的世界モデル（Latent World Model with Monotone Planning Costs）**と呼んでいます。彼らが行ったことを、遊び心のある比喩を使って分解してみましょう。

1. 凍結されたレンズと訓練可能な脳

まず、彼らは画像をデジタルな指紋に変換することに長けた、事前学習済みの「目」（凍結されたDINOファミリーのエンコーダー）を使用しました。この目は変化しません。ただ世界を鮮明に捉えるだけです。次に、彼らは「脳」（訓練可能な予測器）を構築しました。これは、それらの指紋を受け取り、ロボットが動いた後にそれらがどのように見えるかを推測しようとするものです。

2. 「練習こそが完璧を作る」訓練（オートレグレッシブ・ロールアウト）

ほとんどのロボットは、教師がすべての問題の後に解答を与えてくれる教室の生徒のように訓練されています。これは**ティーチャー・フォーシング（teacher forcing）**と呼ばれます。ロボットは現在の画像を見て、教師が「左に動いた」と言い、ロボットは次の画像を予測します。そして教師はすぐにそれを修正します。

問題は、ロボットが現実の世界に出たとき、そこには教師がいないことです。ロボットは、自分自身の前の推測に基づいて次の画像を推測しなければなりません。もしステップ1で小さなミスをすると、そのミスはステップ2で大きくなり、ステップ10に達する頃には、ロボットは全く別の世界を空想しています。これは**訓練とテストのミスマッチ（train-test mismatch）**と呼ばれます。

著者たちは、ロボットが自分自身で空想を練習するようにすることで、この問題を解決しました。彼らは、ステップ1の予測に基づいてステップ2を予測し、ステップ2の予測に基づいてステップ3を予測するというように、ロボットに予測を連鎖させました。これを**オートレグレッシブ・ロールアウト（autoregressive rollout）**と呼びます。これは、解答なしでテストを受けなければならない学生のようなもので、自分のミスに対処する方法を強制的に学ばせるのです。また、彼らは「カウンター・カリキュラム」も使用しました。最初は短い空想（2ステップ）から始め、ロボットが上手くなるにつれて徐々に長い空想（最大8ステップ）へと移行させ、ロボットが圧倒されないようにしました。

3. 「単調なコスト」のルール

より優れた空想ができても、ロボットには依然として経路をランク付けするより良い方法が必要でした。著者たちは、**単調コスト・ランキング（Monotone Cost Ranking: MCR）**と呼ばれるルールを導入しました。

山のふもとにゴールがある丘を想像してください。ふもとから遠ざかるほど、丘の上へと登っていきます。これは**単調（monotone）**なランドスケープです。つまり、目標から離れるにつれて、あなたの「コスト（高さ）」は常に上がっていきます。決して下がってから再び上がることはありません。

多くの従来のモデルでは、この「丘」はデコボコでした。少し外れた経路が、誤って「谷」（低いコスト）のように見えてしまい、ロボットが正しい軌道に乗っていると錯覚させてしまうことがありました。著者たちは、「もし正しい経路から逸脱したら、コストは必ず上がらなければならない」とロボットに教え込む特別な訓練損失を追加しました。彼らは、多くの少し狂った経路を生成し、ロボットに「逸脱すればするほど、ペナルティは高くならなければならない」と指示することでこれを行いました。これにより、精神的なマップが滑らかになり、**交差エントロピー法（Cross-Entropy Method: CEM）**と呼ばれる手法（多くの経路をサンプリングして最善のものを選ぶ洗練された方法）を用いて、ロボットが最も低い地点（ゴール）へと容易に滑り降りることができるようになりました。

4. 驚きの「進入禁止」ゾーン

研究者たちは、良さそうに見えるアイデアもテストしました。それが**アクション・コントラスティブ学習（Action-Contrastive Learning）**です。これは、「良い」アクションと「悪い」アクションのペアを見せることで、ロボットに両者の違いを教えようとするテクニックです。彼らは、これがロボットの精神的なマップをより鮮明にすると考えていました。

しかし、彼らは逆の結果を得ました。アクションの順序をシャッフルする特定の種類のコントラスティブ訓練（時間的置換ネガティブ）を使用したところ、それが逆にロボットのプランニング能力を破壊してしまったのです。それは、ナイフを研ごうとしてハンマーで叩いているようなものでした。マップが歪み、ロボットはもはやゴールを見つけることができなくなりました。論文では、この手法がこの特定のタスクにおいては不適切であることを明示しており、表現を「識別的（discriminative）」（物事を見分けるのが得意）にすることが、プランニングに必要な「幾何学的構造（geometry）」（マップの形状）を壊してしまうことがあることを示しています。

結果：実際に道を見つけるロボット

チームは、6種類の異なるロボットが実際の環境をナビゲートしている数時間の映像を含むGNMというデータセットを用いて、新しいロボットの脳をテストしました。彼らは、NWM（フルビデオフレームを予測するもの）、DINO-WM（以前の潜在モデル）、およびOmniVLA（大規模なリアクティブ・ポリシー）を含む、いくつかのトップクラスの競合モデルと比較しました。

結果は目覚ましいものでした。DINOv2エンコーダーを使用した彼らのモデルは、以前の最良の潜在モデルと比較して、方位誤差（orientation error）を2.7倍減少させました。簡単に言えば、ロボットが到着した際、正しい方向を向いている精度が大幅に向上したということです。

• 方位誤差 (AOE): 彼らの最良のモデルは**7.63°でしたが、以前の最良の潜在モデル（DINOv2を用いたDINO-WM）は20.27°**でした。
• 変位誤差 (ADE): 彼らは、ロボットが最終的にゴールから離れてしまった距離も短縮しました。

さらに重要なことに、彼らは実世界の物理的なロボット（Clearpath Husky）を用いて、その場所の訓練データを一切与えない**ゼロショット（zero-shot）**展開テストを行いました。ロボットは、未知の屋内および屋外環境を正常にナビゲートし、競合モデルよりもはるかに論理的で目標指向の経路を辿りました。他のモデルが壁にぶつかったり、途中で止まってしまったりする一方で、このモデルは目標画像に向かって進み続けました。

なぜこれが重要なのか

この論文は、ロボットが画像のみを使用して効果的にナビゲートするためには、単に優れた予測器を持っているだけでなく、自身のミスに対処できるように訓練された予測器と、滑らかで信頼できるスコアリングシステムが必要であることを示唆しています。訓練方法（オートレグレッシブ・ロールアウト）を修正し、コストのランドスケープ（単調なランキング）を整えることで、著者たちはリアクティブ・ポリシー（次の動きを推測するだけのもの）や以前の世界モデルを凌駕するシステムを作り上げました。

しかし、著者たちは、これがあらゆる状況に対する魔法の杖ではないことにも注意を払っています。彼らのモデルは、静的または交通量の少ない環境で最もよく機能します。歩行者や車が動いている混沌としたシーンではまだテストされていません。また、ロボットは計画のために自身の予測に依存しているため、非常に長い旅（非常に長いホライゾン）においては、小さな誤差が最終的に蓄積してしまうという課題が依然として残っています。しかし、現時点では、このアプローチは、ロボットに目的地への「空想」を教えるための重要な一歩となっています。