NTT、物理法則を組み込んだ世界モデルで棚積み成功率を73%から92%に Mujinと空港手荷物で実証へ

NTTは、ロボットが動く前に荷崩れや物体の落下を予測するワールドモデルを開発した。荷物の積付けを模した小型ロボットの棚積みタスクで、成功率が**73.1%から92.3%**に上がったという。11月11日に発表し、形状や重さの異なる空港手荷物の積込み・積降ろしを最初の用途として、Mujinと実証を進める。

NTTの賭けは、箱の動きを正しく読ませるのは映像の量ではなく物理法則だ、という点にある。NTTによると、従来のワールドモデルは物体の物理量を内部で扱わないため、生成映像の中で物体が消えたり変形したりし、衝突も正しく予測できず、学習データにない場面では破綻しやすい。NTTの「物理制御アダプタ」は映像から物体ごとの位置、向き、速さ、重さを推定し、運動方程式で次の動きを計算して、その結果を映像生成モデルに渡す。手荷物は形も重さもばらばらで、すべてを網羅する学習データを集めるのは現実的でないと同社は説明する。人の動画を主な教材にするNVIDIAのGR00T 2とは逆の方向だ。

制御を置き換えず、プランナーの候補を採点する

このモデルはロボットを直接動かさない。VLAモデルやモーションプランナが複数の行動候補を出し、NTTのモデルがそれぞれを実行した後の映像を生成して、落下や衝突の有無で採点する。ロボットは成功しやすい候補を選ぶ。制御フローに組み込めるよう高速に動く構成にしたといい、予測の根拠となる物理量も出力するので、なぜ落ちると判断したのかを現場が把握しやすい。

最初の相手がMujinなのもそのためだ。Mujinのコントローラはすでに産業用ロボットアームの混載パレタイズを計画しており、採点役はそのソフトウェアの上に載せるだけで済む。複数物体の衝突を含む公開ベンチマークOBJ3Dでも、類似度指標LPIPSで従来手法を上回ったとNTTは述べている。

19ポイントの差が残るかどうかは、空港手荷物の実証で決まる。小型ロボットが棚に物を積む作業と、重さを映像だけで推定するしかないスーツケースを実機サイズのアームで積み込む作業との間には大きな距離がある。NTTは11月18日から25日のNTT R&D FORUM 2026でこのシステムを展示する。