# MIT Han Lab、シミュレーションだけでロボット操作モデルを訓練

> 研究チームによると、公開された270億パラメーターの推論モデルは、シミュレーションのみで訓練した後、実機の双腕ロボットで60%の成功率を達成した。

Oossa · 2026-11-16 · https://oossa.com/ja/mit-han-lab-trains-a-robot-using-model-entirely-in-simulation

MIT Han Labの研究者らは、タスクのやり方を示すデモを使わず、シミュレーション内での強化学習によって、270億パラメーターの公開推論モデルに実機ロボットを操作させる訓練を行ったと発表した。実機の双腕ロボットを使った試行では、訓練済みモデルの成功率は60%だった一方、未訓練のモデルは一度も成功しなかった。

Qwen3.8-27Bをベースにしたこのモデルは、ロボットタスクのベンチマーク「LIBERO」でも、成功率が1.6%から74.4%に向上した。研究者らによると、この結果は、GPT-6 AstraとGPT-6.1 Solを最高の推論設定で実行した場合に迫るものだった。これらの結果は研究者らによる評価であり、独立した評価ではない。

## ロボットをどう操作するのか？

モデルはカメラ画像とロボットアームの情報を受け取り、次に何をすべきかを推論して、アームの次の位置を出力する。ロボットコントローラーが、その位置を実際の動きに変換する。研究者らは、この仕組みは画面を見てクリックを指示するコンピューター操作エージェントに似ていると説明する一方、システムには追加の認識ツールや動作計画器、あらかじめ用意したスキルを使っていないとしている。

訓練にはロボット操作の強化学習を用いた。モデルはシミュレーション環境でタスクを試し、成功したかどうかを手がかりに学習した。チームが開発したソフトウェア「PEAR」は、シミュレーションや評価ツールなど、訓練に必要な基盤を提供する。MIT Han Labは、モデル、コード、訓練基盤を公開したとしている。

## シミュレーションでの訓練は実機にも通用するのか？

研究者らによると、モデルは習得したスキルを実機のロボットや別のロボット、さらに訓練中に経験していない指示にも適用できた。目標や物体の配置を変えて試す「LIBERO-Pro」では、見慣れた場面で新しいタスクに取り組むエピソードの成功率が57.4%だった。デモを使って訓練したモデルπ0.5の同条件での成功率は0.75%だった。

これは、慣れたタスクを繰り返すだけのテストとは異なる。研究者らはLIBEROで、2,000エピソードにわたってモデルを評価した。また、ロボットの訓練後も、推論、コーディング、視覚に関する9つのベンチマークで測定可能な性能低下はなかったと報告している。この論文はarXivのプレプリントであり、日常的な利用や、別のロボット・環境でシステムがどのように動作するかを示すものではない。

## 事実

- ベースモデルは、公開された270億パラメーターの推論モデルQwen3.8-27B。
- LIBEROの成功率は、訓練前の1.6%から訓練後に74.4%へ上昇した。
- 訓練済みモデルは実機の双腕ロボットで60%の試行に成功し、ベースモデルの成功率は0%だった。
- LIBERO-Proの「見慣れた場面での新しいタスク」テストでは、研究者らのモデルの成功率は57.4%、π0.5は0.75%だった。

## なぜ重要か

公開されたモデル、コード、PEAR訓練基盤を使えば、タスクのデモに頼らずに済むかどうかを、ロボット研究者がシミュレーションベースの訓練で検証できる。実機での結果は有望だが、検証対象のロボットやタスク以外で、システムがどれほど安定して動くかは示されていない。

## 出典と参考資料

1. [Training Reasoning Models in Simulation to Natively Use Real Robots](https://arxiv.org/abs/2611.18562) – arXiv cs.RO, 2026-11-16
2. [MIT HAN Lab](https://github.com/mit-han-lab/pear) – MIT HAN Lab
3. [MIT Han Lab](https://mit-han-lab.github.io/pear-blog/) – MIT Han Lab

最終更新: 2026-11-16
