「経験」と「物理法則」を組み合わせて高精度に未来を予測

NTTの世界モデルでは、現在のフィジカルAIが抱える課題の解決に向け、「物理制御アダプタ」と呼ばれる独自技術を実装した。物理制御アダプタは、物体の形状や重量などの特徴から物理量を推定し、その後の状態変化を予測する。

例えば、「物体に力を加えた際にどの方向へ動くのか」「落下する場合にはどの程度の速度になるのか」などを推定する。こうした情報を踏まえながら、大量の映像データを学習して映像の続きを予測することで、より精度の高い行動計画を立案できるようになるという。

松元氏は、「経験」と「物理法則」に基づく予測を組み合わせることで、「『ドアの向こうに誰かがいる』といった直接見えない状況を過去の経験から推測可能なほか、物理法則に基づいて『目の前の物体が今後どのように動くか』も正確に予測できる」点が、NTTの世界モデルの最大の特徴だと強調した。

NTTが開発した世界モデルの技術的特徴

予測性能の評価には、予測した映像の正確さを評価するための指標「LPIPS」を用いた。数値が低いほど予測精度が高いことを意味するが、NVIDIAが開発した世界モデル「NVIDIA Cosmos Predict 2.5」のLPIPSが21.90、既存の高精度手法「OCK（Object-Centric Kinematics）」が7.92だったのに対し、NTTの世界モデルは7.81と、両手法を上回る結果となった。

また、ロボットが形や大きさの異なる物体を積み上げる実験では、NTTの世界モデルを使用しない場合のタスク成功率が72％だったのに対し、同モデルを活用することで92％に向上したという。

NTTの世界モデルを活用することで、タスク成功率が92％に向上

松元氏は、今回開発した世界モデルの活用先の1つとして、空港での手荷物の積み込み作業を挙げた。形状や重量が異なる手荷物を適切に配置することで荷崩れを防ぎ、人手不足を背景に高まる積み込み作業の自動化ニーズに応えていきたい考えだ。そのほか、「物流倉庫での荷物の仕分けや、小売店舗での商品の品出しなどへの展開も検討している」とした。

空港での手荷物の積み込み作業への活用を検討