SCAR：具身性を越えた自己教師あり連続行動表現学習
身体性を備えた知能（embodied intelligence）において行動は中心的な役割を担っているにもかかわらず、視覚的な変化から転移可能な行動表現を学習することは、依然として根本的な課題である。特に世界モデルが限られたデータの下で異なる具現化（embodiment）へ汎化する必要がある場合、この困難は顕著となる。arXiv に投稿された新論文「SCAR: Self-Supervised Continuous Action Representation Learning」は、行動を単なる補助的な条件付け信号として扱うのではなく、制御可能な変化を具現化固有の駆動から切り離す独立した表現因子として捉えるべきだと主張している。
本論文は Hongjia Liu 氏ら計6名の著者によって執筆され、2026年5月13日に arXiv へ提出された。識別子は arXiv:2605.16412 で、ロボティクス（cs.RO）に分類されつつ、コンピュータビジョンとパターン認識（cs.CV）にも関連する。著者らは、視覚的変化から具現化を越えた統一的な行動表現を学習するための、逆・順方向ダイナミクスを統合したフレームワーク「SCAR」を提案する。
SCAR のアーキテクチャは、事前学習済みの生成バックボーン上に構築されている。その中核は二つの要素から成る。逆ダイナミクスモデル（IDM）は、潜在観測のペアから潜在行動を推論する。順方向ダイナミクスモデル（FDM）は、それらの潜在行動を条件として将来のダイナミクスを予測する。この逆・順方向の統合モデリングにより、明示的な行動ラベルなしに、行動の連続表現を自己教師ありで獲得できる。
学習された潜在空間が単なる汎用的な視覚ボトルネックになるのを避けるため、著者らは二つの重要な正則化を導入している。第一に、潜在行動の事後分布を標準ガウス事前分布へ近づけることで、恣意的な視覚エンコーディングを抑制し、潜在変数が行動情報を実際に担うようにする。第二に、敵対的不変性を導入し、具現化や環境に固有の nuisance 要因を抑え込む。これら二つの設計により、潜在行動空間は単なる視覚特徴の記憶ではなく、転移可能なものとなる。
実験は Procgen と Robotwin の二つのデータセットで実施された。結果として、学習された統一的潜在行動表現は、世界モデルの条件付けインターフェースとして、具現化固有の生の行動よりも優れていることが示された。また、具現化を越えた低データ適応や、タスク間の転移においても改善が見られた。著者らはこれに基づき、行動は具現化を越えた制御可能な変化の共有表現として学習可能であり、より転移性と汎化性の高い世界モデルのためのインターフェースを提供すると結論づけている。
この研究の意義は、世界モデルにおける行動の役割を再定義する点にある。すなわち、特定のロボット形態に付随する生の制御量ではなく、「制御可能な変化」を抽象化した共有表現として行動を位置づけるのである。この考え方がさらに検証されれば、具現化を越えたデータ不足やモデル転移の難しさを緩和し、異なるロボット形態やタスク間で知識を効率的に再利用する世界モデルの実現に寄与する可能性がある。