「雑なデモ」でロボットが精密動作を習得する時代へ——KAISTのDiSPoが示すデータ収集コスト革命
ロボットに精密作業を教えるには、精密なデータが要る。これは長らく「当たり前」とされてきた前提だった。ところがKAIST（韓国科学技術院）の研究チームは、その前提を正面から崩す技術を発表した。
**DiSPo（Diffusion-SSM based Policy）**と名付けられたこのモデルは、粗くサンプリングされた低頻度のデモンストレーションデータだけで訓練しても、推論時に自律的に精度を引き上げ、高精度な動作を生成できる。シミュレーションでは既存モデル比81%の成功率向上、実世界実験では最大4倍のパフォーマンスという数字を叩き出している。
ロボット学習のボトルネックは「データの精密さ」にあった
ロボットに人間の動きを教える方法として、模倣学習（Imitation Learning）は広く使われている。人間がロボットを操作して動作を見せ、そこからAIが動き方を学ぶアプローチだ。
問題は、精密な作業を教えようとすると、データの収集自体が極めて高コストになる点にある。ネジ締めや部品の挿入のような作業では、非常に短い時間間隔でセンサー・位置情報を記録する「高頻度データ」が必要になる。これはデータ収集コストを跳ね上げるだけでなく、AIモデルの推論速度をも遅くする。
Behavior TransformerやDiffusion Policyといった既存の代表的なモデルも、この制約から自由ではない。これらは訓練時のデータの時間間隔に縛られており、粗いデータで学習すれば粗い動作しか生成できない、という構造的な限界があった。
DiSPoはこの限界に対して「訓練と推論を切り離す」というアプローチで挑んでいる。
何がどう新しいのか——MambaとDiffusionの組み合わせ
DiSPoのアーキテクチャの核心は、二つの技術の組み合わせにある。
ひとつはMamba。時間間隔を予測できる状態空間モデル（State Space Model）であり、「次の動作がいつ起きるか」を推定する能力を持つ。もうひとつはDiffusion Model。豊かな行動表現を可能にする生成モデルで、複雑な動作パターンを学習するのに適している。
この二つを組み合わせた上で、研究チームはStep-scale factorと呼ぶ新しいメカニズムを導入した。これにより、ユーザーがロボットの動作に使用する時間間隔を直接制御できるようになる。低頻度のデモデータで訓練されていても、推論時にはアクションを自律的に細かく分割（discretization）することで、追加学習なしに高精度な動作を生成できる、というのがこの仕組みの肝だ。
「粗く教えて、精密に動かす」——この発想の転換が、実験でどう機能したかを数字で確認しよう。
実験が示す数字
シミュレーション環境では、クランプの通過・通路の通過・ボタンタッチという3つのベンチマークを使用。DiSPoは最先端モデル群と比較してタスク成功率を最大81%上回った。
実世界では、協働ロボットを使った2種類のタスクに挑んでいる。ひとつは半径2.5mmのクリアランスしかない狭い隙間にクランプを通すこと。もうひとつはスマートフォンの小さなシャッターボタンを正確に押すこと。いずれも人間でもミスをするような精密作業だ。DiSPoのパフォーマンスは、既存AIモデルの最大4倍を記録した。
研究を主導したKAIST計算科学学科のDaehyung Park教授は「粗いデモからロボットが精密な動作を学び、タスクの状況に応じて自律的に精度レベルを調整できることを示した」と述べている。今後は「精密組み立てや医療応用を含む様々な産業分野に向けた汎用ロボット学習技術として、データ収集コストを劇的に削減できる」との見込みも示している。
本研究はKAIST AI大学院修士課程のNayoung Oh氏が第一著者を務め、2026年6月にウィーンで開催されたICRA 2026（IEEE国際ロボット工学・自動化会議）で発表された。
ここからは見方だが——この研究が示す構造的な転換
ロボット学習の世界では長らく「データ量が解決策」という方向に力が注がれてきた。高品質なデモを大量に集め、高頻度で記録し、それを大きなモデルで学習させる。コストがかかっても、それが精度への道筋だという共通認識があった。
DiSPoが示しているのは、その前提への問い直しだ。「訓練時の精度を推論時の精度と分離する」という設計は、ロボット学習のパイプライン全体のコスト構造を変える可能性がある。
考えてみれば、人間も同じことをやっている。ゆっくりとした粗い説明を受けても、本番では素早く精密に動ける。それは「説明の精密さ」とは別の能力が介在しているからだ。DiSPoはそれをモデルレベルで実現しようとしている、と見ることができる。
ただし、構造的な可能性と実用上の性能は別の話でもある。今回の実験は特定のタスクセットにおける結果であり、「あらゆる精密作業に通用する」とは現時点では言えない。実環境での変動要因（照明、摩擦、部品のばらつき）がどこまで吸収できるか、汎化性能の評価はまだこれからだ。
実務的に何を考えるべきか
製造業、医療機器、精密組み立てに関わる人々にとって、この研究が持つ含意は「データ収集インフラへの投資判断を見直す可能性」にある。
現在、産業用ロボットの学習環境を整備しようとすると、高頻度センシング装置、精密な動作記録システム、そして膨大なアノテーション工数が必要になる。このコストが、ロボット学習導入の最大の障壁のひとつになっている現場は少なくない。
DiSPoのアプローチが実用化されれば、そのボトルネックが一段階緩和される。「とりあえず粗いデモで教えておけば、モデルが推論時に補完してくれる」という世界が近づくなら、初期導入コストと時間は大幅に下がりうる。
一方で、「粗いデモで何でもOK」という楽観論には注意が必要だ。今回の実験で使われたデモデータは2.5Hzという低頻度であり、「完全にランダムで質の低いデモ」ではない。粗さには限度がある。次に見るべきポイントは、「どこまで粗くても機能するか」の耐性試験と、タスクの多様性における汎化評価だ。
次に来る論点
この技術が産業応用に向けて進む際、技術的な完成度の外側にある問題も浮かび上がってくる。
データ品質の「最低ライン」定義：粗くていいとはいえ、どの程度の質・量が必要か。その基準を現場エンジニアが扱える形で定式化できるか。
安全性と責任の所在：医療手術や精密組み立てで「AIが自律的に精度を判断して動作する」という設計は、何かが起きたときの責任の帰属を複雑にする。「人間が見せたデモが粗かった」「モデルが推論で誤った補完をした」のどちらに問題があるのか、現在の製造物責任の枠組みではまだ答えが出ていない。
既存の学習インフラとの競合：高頻度データ収集に多額の投資をしてきた企業や研究機関にとって、「粗いデータで十分」という主張は資産の価値を揺るがしかねない。技術の普及は、こういった既存投資の整理がどう進むかにも左右される。
DiSPoはICRA 2026で発表された研究であり、論文はarXivで読める段階だ。実装が現場に降りてくるにはまだ時間がある。だが「データ収集コストがロボット学習の普及を妨げている」という課題は今すでに本物なので、この方向性の研究が加速していくのはほぼ間違いない。
粗いデモで精密に動かす、というのは直感に反するが、実験データは一定の説得力を持っている。2.5mmの隙間を通過できるロボットを、低頻度データだけで育てた事実は重い。あとはこの精度が、もっと雑多な実世界でどこまで保てるか。そこが次の勝負どころだ。
参考元: Rough demos unlock precise robot actions, with up to fourfold real-world gains – TechXplore
