Cortex 2.0：現実の産業導入に向けてワールドモデルを「接地（グラウンディング）」する

概要: 産業用ロボットによる操作には、実体、タスク、そして変化する物体分布にまたがって、長い時間軸にわたる信頼性の高い実行が求められます。ビジョン・言語・アクション（Vision-Language-Action）モデルは強力な汎化性能を示しているものの、本質的にはリアクティブ（反応的）です。将来の可能性を評価せずに、現在の観測に基づいて次の行動を最適化することで、長期タスクにおける失敗の連鎖（compounding failure modes）に対して脆弱になります。Cortex 2.0は、視覚的潜在空間（visual latent space）で候補となる将来の軌道を生成し、それらを期待される成功と効率でスコアリングし、最も高く評価された候補にのみコミットすることで、反応的制御から「計画して実行する（plan-and-act）」へと転換します。私たちは、単腕および双腕の操作プラットフォーム上で、複雑さを増していく4つのタスク（ピック＆プレース、アイテムとゴミの仕分け、ねじの仕分け、シューズボックスの開梱）に対してCortex 2.0を評価します。Cortex 2.0は一貫して最先端のVision-Language-Actionベースラインを上回り、すべてのタスクにおいて最高の結果を達成します。さらに、重い散乱（clutter）、頻繁な遮蔽（occlusions）、接触を伴う操作（contact-rich manipulation）によって特徴づけられる非構造環境においても、システムは信頼性を維持し、反応的ポリシーが失敗する状況でも機能します。これらの結果は、ワールドモデルに基づく計画が、複雑な産業環境においても確実に動作し得ることを示しています。