OneRobotics、実ロボットテストで99%の成功率を達成したワールドアクションモデル「OneModel 1.7」を発表
OneRoboticsは、エンボディドAIの分野における画期的な進展として、独自のワールドアクションモデル「OneModel 1.7 FrontoStria-RL」を発表しました。このモデルは、家庭用およびサービスロボットにおける実世界での大規模なAI導入を推進することを目的として設計されており、実ロボットテストで最大99%という驚異的な成功率を達成しています。
OneModel 1.7の技術的特徴とアーキテクチャ
OneModel 1.7は、OneRoboticsが独自に開発した「RL-Latent World Action Model (RL-LWAM)」アーキテクチャに基づいています。 このアーキテクチャは、以下の3つの中核モジュールを統合することで、多様な環境下でのロバストな動作を可能にしています。
-
ワールドモデル (World Model): 多様な環境全体での汎化能力を担当します。 これは、物理的な世界の内部モデルを構築し、特定のアクションの結果として環境がどのように変化するかをシミュレートすることを可能にします。
-
理解エキスパート (Understand Expert): タスクの理解とスキルスケジューリングを管理します。 これにより、ロボットは与えられたタスクを解釈し、適切な一連の行動を計画できます。
-
アクションエキスパート (Action Expert): 正確な動作実行を担います。
これらのモジュールは、「Predictive Policy Latent」という暗黙的なメカニズムを通じて密接に接続されています。 このメカニズムは、明示的な中間画像や座標変換に依存することなく、高レベルのワールド理解と低レベルのアクションポリシーを連携させるよう設計されています。 さらに、成功記憶メカニズムと統合された強化学習クローズドループが、実世界での導入フィードバックをモデルに継続的に供給し、導入規模に応じて能力が段階的に向上する仕組みとなっています。 このアーキテクチャにより、OneModel 1.7は、複雑なタスクを高い精度で実行し、未知のオブジェクトや変化する環境条件にも適応できる能力を獲得しています。
実世界ベンチマークと性能
OneModel 1.7は、エンボディドAIの標準ベンチマークであるLIBEROにおいて、平均99%の成功率を達成し、π0.5、GR00T-N1.5、OpenVLA-OFTといった主要なオープンモデルを凌駕しました。
実ロボットへの展開では、日常的な操作タスクで99%の成功率、高精度タスクで97%の成功率を記録しています。 テストタスクには、洗濯物処理、衣類折りたたみ、食器洗い機操作、コンベアベルトからのピッキング、試験管の取り扱い、カップスタッキング、コーヒー豆の注ぎ込みなどが含まれ、人間との卓球ラリーシナリオでも検証されています。 これらの結果は、OneModel 1.7が非構造化環境での運用、見慣れないオブジェクトの処理、レイアウトや照明条件の変化への適応、多段階の物理タスクの正確な完了といった、ホームロボティクスにおける主要な課題に対応できることを示しています。
開発者・エンジニア視点での考察
-
モジュール型アーキテクチャの活用と拡張性: RL-LWAMアーキテクチャがワールドモデル、理解エキスパート、アクションエキスパートの3つの独立したモジュールで構成されている点は、開発者にとって大きな利点です。各モジュールを個別に最適化したり、特定のタスクやロボットプラットフォームに合わせてカスタマイズしたりする余地が生まれます。これにより、特定の課題に対するデバッグや性能向上が容易になり、将来的な機能拡張や新規アプリケーションへの展開も効率的に行える可能性を秘めています。
-
Predictive Policy Latentによる効率的な知識伝達: 明示的な画像や座標変換に頼らず、Predictive Policy Latentを介して高レベルの理解と低レベルの行動ポリシーを暗黙的に連携させる設計は、従来のVision-Language-Action (VLA) モデルが抱える課題、特に推論時のオーバーヘッドや計算コストの削減に寄与する可能性があります。開発者はこのメカニズムを深く理解することで、低遅延でロバストなリアルタイム制御システムを構築するための新たなアプローチを探求できるでしょう。
-
実世界フィードバックループと継続的学習の機会: 成功記憶メカニズムと統合された強化学習クローズドループにより、ロボットが実世界での経験から継続的に学習し、その能力を向上させることが強調されています。これは、モデルのデプロイ後も性能を維持・向上させるための重要な要素です。開発者は、このフィードバックループをどのように設計し、収集したデータを効率的にモデルの改善に活用するかについて、データパイプライン、アノテーション戦略、継続的統合/継続的デプロイメント (CI/CD) アプローチの観点から深く考察し、実践することが求められます。
Source / 元記事
この記事について
この記事は、公開されているニュース、論文、公式発表、RSSフィードなどをもとに、AIが要約・補足調査・考察を行って作成しています。
元記事の完全な翻訳・逐語的な要約ではなく、AIによる背景説明や開発者向けの考察を含みます。
重要な技術仕様・価格・提供状況などは、必ず元記事または公式情報をご確認ください。
