RoboSynChallenge：合成操作スキルの汎化による実世界の巧みな操作の実現
RoboSynChallengeはNeurIPS 2026コンペティショントラックとして提案された統一ベンチマークであり、大規模な合成データ生成と標準化された実世界評価を組み合わせることで、ロボット操作ポリシーの汎化能力を向上させることを目指します。参加者は合成された状態-動作データを活用して汎用ポリシーを学習し、最終評価は未見の実環境でのみ行われます。再現性と比較可能性を確保するため、Transformer、拡散モデル、視覚-言語-行動モデル、世界行動モデルなどのベースラインが提供されます。
具身知能（embodied intelligence）の中心的な課題の一つは、ロボットが実世界で多様な操作タスクを遂行できるようにすることです。しかし、モデルアーキテクチャや学習アルゴリズムが急速に進歩しているにもかかわらず、実世界データの不足と多様性の低さが、操作ポリシーの汎化能力を制限し続けています。ロボットが訓練環境では成功しても、未見の物体や配置、照明条件、あるいはタスクのバリエーションに直面すると性能が大きく低下するという問題は、実用化に向けた大きな障壁となっています。
RoboSynChallenge コンペティションは、このような課題に取り組むために設計されました。提案された統一ベンチマークは、さまざまなタスク、環境、難易度レベルにわたって操作ポリシーの汎化性能を評価・向上させることを目的としています。特に注目すべきは、大規模な合成データ生成と標準化された実世界ロボット評価を統合している点です。参加者は、合成された状態-行動軌跡を活用して汎用ポリシーの学習を進めることが推奨されますが、最終評価は未見の実世界の操作環境でのみ実施されます。この設計により、実データの不足を補いつつ、評価の厳密性と現実的な有用性を両立させています。
再現性と比較可能性を確保するため、競技では複数のベースライン実装が提供されます。具体的には、Transformerベースのポリシー、拡散モデルベースのポリシー、視覚-言語-行動モデル（VLA）、および世界行動モデル（World-Action-Model）などが含まれます。これらのベースラインは、参加者にとっての出発点となるだけでなく、合成データ学習における異なる手法の特性を体系的に比較するための基準ともなります。また、それぞれのモデルアーキテクチャが持つ帰納的バイアスの違いを理解することは、汎化性能を高める上での重要な手がかりとなるでしょう。
RoboSynChallenge の最終的な目標は、広範囲のタスクに適用でき、データ効率が高く、環境変化に適応できる操作システムの開発を促進することです。スケーラブルなシミュレーションベースのトレーニングと厳格な実世界検証を組み合わせることで、合成データと実世界応用のギャップを埋め、真に汎用的なロボット知能の実現に貢献することが期待されます。本論文は、Runyi Zhao氏を含む18人の著者によって執筆され、arXiv:2608.12416として公開されています。投稿日は2026年8月12日で、NeurIPS 2026のコンペティショントラックに採択されました。論文はロボティクス（cs.RO）のカテゴリに分類され、DOI（10.48550/arXiv.2608.12416）も付与されています。また、提出履歴によると、原稿のv1バージョンは2026年8月12日04:29 UTCに投稿され、ファイルサイズは約14,072 KBでした。