Hydra: A Navigation World Action Model with Discrete Latent Planning and Continuous Flow-Matching Execution

ロボットは、生物のような先見の明を持って世界を移動することに長らく苦心してきました。現代の機械は、目に見えるものに対して即座に反応することはできますが、「次に何が起こるか」を想像する能力に欠けていることがよくあります。従来のナビゲーションシステムは、車の目の前の道路だけを見ているドライバーのように機能し、障害物が現れた時に反応はするものの、行き止まりに突き当たるまでそのルートを回避する計画を立てることができません。ロボットにこのような先見の明を与えるために、科学者たちは「ワールドモデル」を開発してきました。これは本質的に内部シミュレーターであり、機械が実際に動く前に、異なる未来を想像することを可能にするものです。しかし、大きな障壁が、これらのシミュレーターを物理的なロボットでリアルタイムに使用することを妨げてきました。それは、想像された未来を検証するプロセスが遅すぎるという点です。現在の手法では、ロボットは何千もの潜在的な経路を生成し、それぞれを安全性を確認するために詳細な画像へと変換し、そして不適切なものを破棄する必要があります。この画像の生成と確認のサイクルは計算負荷があまりにも高く、ロボットをフリーズさせてしまうため、リアルタイムのナビゲーションを不可能にしています。

複数の大学の研究者によって開発された「Hydra」と呼ばれる新しいアプローチは、ロボットの動きに関する考え方を変えることで、この問題を解決します。Hydraは、あらゆる可能な未来を高精細に想像しようとする代わりに、人間が「正確な車輪の回転角」を計算するのではなく、「左折」や「直進」といった概念として考えるのと同様に、動きを広範で離散的な概念として捉えることを学習します。研究者たちは、ロボットのプランナーがシミュレーター自体の中に存在し、膨大なピクセルの空間ではなく、圧縮された抽象的な可能性のマップの中で最適な経路を探索するシステムを構築しました。これにより、ロボットは数千の潜在的な未来を瞬時に評価し、完全に描画される前に危険な経路を排除することができます。ひとたび安全な経路が選択されると、システムはその抽象的な概念を、ロボットのモーターが実行できる滑らかで連続的な動きへと翻訳します。

核心となる革新は、著者らが「離散的潜在プランニング（discrete latent planning）」と呼ぶ手法にあります。従来のシステムでは、廊下を移動しようとするロボットが連続的な軌道のストリームを生成すると、その多くが壁に直接衝突するものでした。システムは、衝突が起こったかどうかを確認するために、それらの軌道を視覚的な画像としてレンダリングしなければならず、動いているロボットにとっては時間がかかりすぎました。Hydraはこのボトルネックを、予測を特殊なフィルターに通し、類似した動きを小さな固定された語彙（ボキャブラリー）にグループ化することで回避します。ロボットが未来を検討する際、衝突のぼやけた画像を生成するのではなく、「安全なターン」や「衝突」を表す学習済みのトークンを選択します。これらのトークンは物理的に可能な行動の有限なリストから抽出されるため、ロボットは、衝突を可視化することなく、壁に向かう経路が無効であることを即座に認識できるのです。この「連続的な推測」から「離散的な選択」への転換により、システムは危険な選択肢をほぼ即座に切り捨て、計算資源をすでに妥当であると分かっている経路のみに集中させることができます。

これらの抽象的な選択が滑らかな物理的動作につながるよう、Hydraはこの離散的なプランニングと連続的な実行手法を組み合わせています。ロボットが最適な抽象的経路を選択すると、二次的なシステムがその選択を、車輪を駆動するために必要な精密で流動的なコマンドへと変換します。この二段階のプロセス（簡略化された抽象空間でのプランニングと、現実世界での実行）により、ロボットはリアクティブなドライバーのような速度を持ちながら、シミュレーターの安全性も維持することができます。研究者たちは、車輪型の車両と四足歩行の犬型ロボットという2種類の異なる物理ロボットを用い、狭い廊下や隠れた障害物がある場所を含む様々な環境でこのシステムをテストしました。これらの試行において、システムは8メートル先の目標に向けて衝突のない経路を1秒足らずで計画することに成功しました。これは、完全な画像を生成して確認していた従来の手法よりも、およそ500倍速いスピードです。

これらの物理テストの結果は、古い思考法と新しい思考法の間の大きな隔たりを浮き彫りにしています。研究者が、連続的なサンプリングを用いる既存のシステムとHydraを比較したところ、古い手法は障害物を回避できず、不可能な経路の計算に時間を費やしたために衝突することがよくありました。対照的に、Hydraは障害物のない環境では完璧な成功率を達成し、隠れた角や障害物の周囲も大部分の試行において正常にナビゲートできました。また、提案された経路が学習された安全な動きの語彙に適合しないことを検知することで、物理的に衝突するずっと前に衝突の兆候を察知することもできました。視覚的な外観ではなく、その抽象的な構造に基づいて危険な経路を拒絶するこの能力は、意思決定プロセスを遅らせることなく安全性を確保するための堅牢な方法であることが証明されました。

こうした成功の一方で、研究者たちはこのシステムに限界があることも認めています。動きを固定された語彙にグループ化するという手法は、ロボットが「真の障害物」と、「視覚的に複雑だが安全な領域（例えば、密集した植生など）」を区別する際に苦慮する場合があることを意味します。このシステムは、抽象的なコードからシーンを再構成するのがどれほど困難であるかに依存しているため、テクスチャの多い環境では誤検知が発生しやすく、本来通過できる場所でロボットが躊躇してしまうことがあります。さらに、現在のシステムは人間のような動的な物体を表現することに難があり、それらを回避すべき個別の実体として扱うのではなく、背景の一部として滑らかに処理してしまう傾向があります。これらの課題は、離散的なアプローチが強力な一歩である一方で、将来のバージョンでは、人間の環境の全容を扱うために、世界の表現方法を洗練させる必要があることを示唆しています。

結局のところ、この研究は、ロボットがピクセルではなく「概念」によって考えることで、リアルタイムの目標指向型プランニングを実現できることを示しています。プランニングプロセスをシミュレーターの内部に移し、探索範囲を学習された有効な動きのセットに限定することで、研究者たちは高速かつ安全なシステムを作り上げました。この知見は、ワールドモデルを物理的なロボットへとスケールアップさせる鍵は、より詳細にすることではなく、より構造化することであり、それによって計算効率が高く、物理的に根ざした方法で未来を想像させることにあることを示唆しています。このアプローチは、人間が日常的に使っているような直感的な先見の明を持って、ロボットが現実世界をナビゲートするための有望な道筋を提供しています。