NTTは11月11日、ロボットが実際に動く前に、考えられる複数の動き方それぞれについて荷崩れや落下が起きるかを予測し、成功につながる動きを選べるようにする技術を開発したと発表した。物体の重さや向き、動く速さを映像から推定し、運動方程式に基づいて次の状態を計算する独自の仕組み「物理制御アダプタ」を、映像生成モデルに組み込んだ。小型ロボットで荷物の積み付けを模した実験では、棚に積む作業の成功率が73.1％から92.3％に上がった。最初の用途として空港手荷物の積み込み・積み降ろしを想定し、ロボット制御のMujin（東京都江東区）と連携して社会実証を進める。
動く前に「結果の映像」を作り、成否を比べる
今回の技術は、AIの分野で「ワールドモデル」と呼ばれる仕組みの一種だ。NTTの説明では、ワールドモデルは外界の状態や変化をモデルにし、自分の行動で起きる未来の状態変化を予測する仕組みを指す。ロボットのような機械がカメラやセンサーで実世界を捉え、自ら判断して動くためのAIは「フィジカルAI」と呼ばれ、ワールドモデルはその基盤として開発が進んでいる。
NTTの技術は、ロボットを動かす既存の制御ソフトの判断を補う形で使う。制御ソフトが「この荷物をこう持ち上げ、ここに置く」といった動き方の候補を複数出すと、ワールドモデルが候補ごとに、実行した後の周りの様子を映像として生成する。その映像から物体の落下や衝突の有無を読み取り、成功につながりやすいかを点数で評価する。ロボットは点数の高い動きを選んで実行する。
候補を出す側として、NTTはカメラ映像と言葉の指示からロボットの動作を直接出す基盤モデル（VLA）や、目標と周囲の情報から動作を計算する「モーションプランナ」を挙げた。ロボットの制御の流れに直接組み込めるよう、精度を保ちながら速く動く構成にしたという。ただ、1回の予測にかかる時間の数値は発表に無い。
物体の重さや速さを推定し、運動方程式で計算
NTTによると、これまでのワールドモデルには2つの弱点があった。1つは、物体の重さや速さといった物理量を内部ではっきり扱わないため、生成した映像の中で物体が消えたり形が変わったりし、衝突などの物体どうしの関わりを正しく予測できない場合があること。もう1つは、大量の学習データに頼るため、学習データに無い場面では予測が崩れやすいことだ。
今回開発した物理制御アダプタは、映像から物体ごとの位置、向き、速さ、重さを推定し、物理法則に基づいて次にどう動くかを計算する。その結果を映像の生成に反映させることで、物体の消失や変形を抑え、衝突や崩落を正確に予測できるようにした。NTTは、物理制御アダプタを映像生成モデルに統合したのは「世界で初めて」としている。
物理量をはっきり扱うことの利点として、NTTは4つを挙げた。将来の動きを精度よく予測できること、学習データに無い場面や動きにも対応できること、予測を自然な映像で出せるためロボットの行動の成否を事前に評価できること、予測の根拠となる物理量を出力できるため「なぜその予測になったか」を把握しやすいことだ。発表資料には、ロボットアームで物体が隠れる、学習データに無い場面でも予測できた例を示している。
棚積みの成功率は73.1％から92.3％に
実験は2種類行った。1つは、小型ロボットで荷物の積み付け作業を模した棚積みの課題で、この技術を使う場合と使わない場合で成功率を比べた。使わない場合は73.1％、使った場合は92.3％だった。
小型ロボットの棚積みの成功率（％）
数値で見る（単位: ％）
| 項目 | ％ |
|---|---|
| 適用なし | 73.1 |
| 適用あり | 92.3 |
もう1つは予測そのものの精度を確かめる試験で、複数の物体がぶつかり合う映像を集めた公開の評価用データ「OBJ3D」を使った。人の見た目の感覚に近い形で正解の映像と予測の映像の似かよい方を測る指標「LPIPS」で、従来の手法を上回ったとしている。発表資料には、従来のモデルが物体の衝突を予測できなかった場面で、新しい技術は予測できた比較の図も載せた。
一方、発表で確かめられるのは、小型ロボットによる模擬の作業と公開データでの評価までだ。棚積みの試行回数や荷物の種類は書かれていない。実際の空港手荷物や実物大のロボットでの結果は、まだ示されていない。
最初の現場は空港手荷物、Mujinと社会実証へ
NTTが最初の用途に選んだのは、形や重さの違う空港手荷物の積み込み・積み降ろしだ。空港手荷物や宅配便のような小口の荷物は形や重さ、置き方が一定でないため、従来のロボット制御だけでは、動いた後に荷崩れや落下が起きるかを前もって見極めにくい。あらゆる荷物を網羅した学習データを集めるのも現実的ではない、とNTTは説明する。物理法則で計算するこの技術は、こうした現場に向くという。
社会実証の相手のMujinは、独自のフィジカルAIとデジタルツイン（現実の工場や倉庫を仮想空間に再現して試算する技術）で製造・物流現場の自動化を手がける企業だ。NTTとNTTドコモビジネスは2025年12月1日、Mujinと資本業務提携を結び、第三者割当増資を通じて出資した。提携の発表では、ロボットの自律性と柔軟性を広げる新しい事業領域の探索を掲げ、NTTが手がける生成AIの例として「ワールドモデル」を挙げていた。今回の発表は、その連携の相手としてMujinの名を挙げた。Mujinは、「日本スタートアップ大賞2026」、内閣総理大臣賞はロボットを知能化するMujin 317件の応募から10社を表彰 総務大臣賞はSakana AI、国土交通大臣賞は空飛ぶクルマのSkyDriveで最高賞を受けている。
NTTは今後、Mujinとの社会実装に加え、ロボットサービスの事業者や物流・倉庫の事業者との連携も検討する。荷物の積み込み・積み降ろしを起点に、製造、建設、小売など多様な物を扱う分野へ広げ、人手不足の現場の省人化と生産性の向上につなげたいとしている。社会実証の始まる時期や場所、実用化の目標時期は示していない。
海外勢も開発、NTTは「物理法則」を前面に
ワールドモデルの開発は海外の大手も進めている。米グーグルのAI研究部門Google DeepMindは10月27日、新版「Genie 4」を発表し、ロボットやAIエージェントの訓練環境づくりにも役立つと説明した（グーグル、ワールドモデル「Genie 4」発表 音声と会話も同時に生成、まず試験利用者に限定）。Genie 4が操作できる仮想の世界を幅広く作ることを打ち出したのに対し、NTTは、物体の重さや速さを明示して運動方程式で計算し、荷物を扱うロボットの「失敗を事前に避ける」用途に絞った点を特徴に挙げる。
NTTは今回の成果を、11月18日から25日までNTT武蔵野研究開発センタで開く「NTT R&D FORUM 2026」で展示する。会期は11月18〜20日と24・25日の5日間で、公式サイトによると、来場はNTTグループ社員からの完全招待制となっている。