DECOWAM、ロボット犬のベースとアームの表現を分離し、2,595万パラメータの更新だけで動作MSEを21.7%低減

固定式ロボットアーム向けの世界—動作モデルは通常、カメラ視点を不変として扱う。しかし、カメラを四足歩行ベースに搭載すると、映像内の変位には物体の運動、アームの動作、機体の移動が同時に混在する。そこでDECOWAMは、14次元の全身動作を単一の潜在表現に詰め込むのではなく、ベースとアームにそれぞれ別の表現経路を設けた。さらに、勾配反転によって両者間の情報漏洩を抑え、3次元のベース速度を動画tokenへ直接追加することで、カメラの自己運動を説明する。[論文](https://arxiv.org/abs/2608.20114)ではさらに、未来の映像を参照できる教師モデルを用い、「等価な未来」の情報を、現在の映像とロボット状態だけを読み取る生徒モデルのボトルネックへ圧縮する。デプロイ時には教師モデルと未来入力を取り除くため、因果的な方策のままである。システムは[FastWAMのオープンソース実装](https://github.com/yuantianyuan01/FastWAM)をバックボーンとし、第2段階では約60.21億パラメータを凍結して、2,595万個のadapter、ボトルネック、条件付けパラメータのみを学習する。これは約232分の1の規模に相当する。固定された23件のリプレイ試験では、フレームMSEが15.0%、48ステップ動作MSEが21.7%低下した一方、評価レイテンシーは11.4%増加した。より重要な79回の実機試験では、DECOWAMは46回を完了し、成功率は58.2%だった。FastWAMの57.0%をわずかに上回る程度だが、平均完了時間は16秒短縮された。全身協調率は34.2%から44.3%へ向上し、ベース変位の外乱下における成功率も12.7%から30.4%へ上昇した。データ面は依然として主な制約である。ARMDOGには1,487シーケンス、343,550フレームの同期データが含まれるものの、その56%はボトルのピック＆プレースに集中しており、リプレイ評価も8種類のボックス操作タスクに限られる。また、論文ではデータと変換ツールについて「公開予定」と述べるにとどまっている。エンジニアは、完全なデータセット、モデル重み、安全制御が公開されるかどうかに加え、その優位性が異なるロボット形態やシーン、さらに大規模な実機試験でも再現できるかを注視すべきだ。