Riemann-1.0、人間動画20万時間で家事学習

ロボットに家事を習得させる手法に新たな潮流が生まれている。量子位の一水の報道によれば、Riemann Dynamicsが汎用ロボット操作モデル Riemann-1.0 を正式発表した。同モデルは、人間の一人称視点動画20万時間以上を含む23.2万時間のデータで学習され、ロボット家事ベンチマーク「RoboCasa-365」において62.6%の成功率を記録。従来の最先端（SOTA）を8.4ポイント上回り、ランキング首位に立った。

Riemann Dynamicsは、Kunlunが身体知能向けに設立した子会社であり、今回が初のモデル公開となる。WAIC 2026で正式発表された直後から、そのパフォーマンスが注目を集めている。

人間の動画がロボットを変える

Riemann-1.0の最大の特徴は、学習データの大半を人間の動画が占める点にある。人が料理をし、服をたたみ、テーブルを片付ける一人称視点の映像を23.2万時間分収集。これにUMI（Universal Manipulation Interface）と外骨格手袋による1.2万時間以上の高品質データ、さらに実際のロボットとシミュレーションによる2万時間以上の軌跡データを組み合わせた。全体で41種類のロボットハードウェアと数千種類のインタラクション方法をカバーする。

この手法の背景には、VLA（Vision-Language-Action）と世界モデルという二つのアプローチの融合がある。VLAは直接動作出力に優れるが失敗しやすく、世界モデルは予測に優れるが低速で高コスト。NVIDIAシアトルロボット研究所が今年6月に発表した総説では、World Action Model（WAM）がVLA研究のニッチから急速に成長し、次世代ロボット基礎モデルは両者のハイブリッドになるとの見解が示された。ICML 2026でも、LeCunチームを含む複数の論文が、ラベルなしの野外動画から潜在動作世界モデルを学習する方向性を追求している。

Riemann-1.0はこうしたハイブリッド路線を国内で初めてエンジニアリングとして完全に実現し、シミュレーションベンチマークから実ロボットまで検証を完了させたとされる。

23.2万時間の動画を技能に変換する仕組み

人間の動画にはロボットの動作ラベルが存在しない。人が服をたたむ映像を見ても、ロボットアームの関節角度やグリッパーの把握力は記録されていない。Riemann-1.0はこの課題に対し、三段階のデータ処理パイプラインを構築した。

第一段階は「下ごしらえ」として、自動化された人間データ処理パイプラインを自社開発。魚眼レンズの歪み補正、VLMによる動画の細かな動作分割とラベル付与、品質検査（人が多すぎる、動作に意味がない、遮蔽が激しい、作業未完了、一人称視点でない、手が画面外にはみ出ている——の六種類を排除）、さらに手の3Dモデル構築と動作軌跡の世界座標変換を実施する。これにより、動画内の「手の動き」が機械可読な3D座標に変換される。

第二段階では、拡散モデルに基づく全因果的な動作-動画統合モデリングフレームワークを採用。視覚ダイナミクス、環境状態、ロボット動作シーケンスを同一の生成プロセス内で統合的に学習する。モデルは「目の前にあるもの」の認識に加え、「動作が環境をどう変化させ、次の瞬間に世界がどうなるか」を同時に学習する。

第三段階として、少数の実際のロボットデータによる動作アライメントを実施し、人間の動画から得た物理的直感を実行可能な制御信号に変換する。

実ロボットのパフォーマンス

RoboCasa-365はロボット家事の総合試験であり、多くのモデルが50%以下の成功率にとどまる中、Riemann-1.0は62.6%を記録した。実際のデモ動画では、テーブルに薄く貼りついたスプーンをつまみ上げ、茶碗に残ったスープを事前に捨ててから片付け、最後にテーブルを拭く一連の動作を確認できる。ランキング上のスコアと実動作の乖離が小さい点も評価されている。

同様のアプローチを採用する先行例として、Being-H0.7が20万時間の一人称視点動画、Generalist AIのGEN-1が50万時間のウェアラブルデバイスデータを投入している。Riemann-1.0の独自性は、このパラダイムをエンジニアリングレベルで完結させ、ベンチマークと実機の両方で検証した点にある。

編集部の見解

Riemann-1.0の登場は、身体知能分野における「データの質と量のトレードオフ」に一つの回答を示した。人間の日常動画という低コストで大規模に取得可能なデータを、動作ラベルなしでロボット制御に変換するパイプラインの実用性が検証されたことは、業界全体のスケーリング戦略に影響を与える。今後3〜6カ月の間に、同様の手法を採用する競合モデルが相次いで投入される可能性が高い。

中長期的には、人間の行動データをロボットに転移学習させる手法が一般化すれば、ロボットの汎用性は飛躍的に向上する。一方で、データの倫理的取得とプライバシー保護、特にウェアラブルデバイスで収集される一人称視点映像の扱いについては、法的枠組みの整備が追いついていない。この点は業界全体で早急に議論すべき課題である。

編集部としては、VLAと世界モデルのハイブリッドがロボット基礎モデルの標準アーキテクチャとなるのか、あるいは別の路線が台頭するのか、今後のベンチマーク結果と実ロボット検証の蓄積を注視したい。特に、Riemann-1.0の手法が他のロボットハードウェアに対してどの程度の汎化性能を持つかが、真の実用性を測る指標となるだろう。

参考

• 「看了20万小时「人类干活实录」，机器人悟了」, by 一水 — 量子位, 2026-07-19T08:32:36.000Z (ARR)
• 元記事URL: https://www.qbitai.com/2026/07/454592.html