視覚言語モデル（VLM）が自己中心視覚理解の分野で急速に普及するにつれ、人とロボットの協調（HRC）タスクにおける低遅延推論の重要性が高まっている。ロボットが車載環境で処理を行い、リアルタイムに人とやり取りするには、モデルの規模と計算量を削減する必要があり、VLM向けに開発されてきた重みプルーニング技術はこうした効率要件を満たす手段として直接応用できる。ただし、安全な人とロボットのインタラクションには効率だけでは足りない。プルーニング後のモデルは「二重正解」の予測、すなわち出力が正確であると同時に証拠に基づいて裏付けられていることを保ち、リスクを抑えつつ利用者の信頼を確保する必要がある。
Qitong Wang氏ら5名によるこの論文は、International Conference on Intelligent Robots and Systems（IROS）2026に採択されたもので、二重正解予測という観点からVLMのプルーニングを捉え直している。著者らの実験は興味深い結果を示した。既存のプルーニング手法はしばしば正しい証拠位置を保つ一方で、最終的な予測の正しさを損なってしまう。つまりモデルは「正しい場所を見ている」のに、そこから導く結論を誤る可能性がある。透明性と監査可能性が求められるロボット応用にとって、この乖離は看過できない。
そこで著者らは、根拠重視のプルーニング戦略を提案する。これは重みの重要度や活性化の大きさだけに基づいて削るのではなく、保持される証拠と最終的な意思決定をよりよく整合させることを狙うものだ。モデルを圧縮しながらも、証拠の位置特定と予測結論の一貫性をできる限り維持することを目的としている。
自己中心視覚の動画データセットを用いたベンチマークでは、この手法が最高の予測精度を達成しただけでなく、二重正解予測の実現においても既存手法を上回った。著者らは、この研究が効率的で信頼できるVLMの研究を促し、精度重視の進歩が、責任ある人とロボットの協調や身体性知能に求められる透明性、監査可能性、安全性と整合することを期待している。本論文は2026年6月23日にarXivへ投稿され、識別子はarXiv:2606.25160、ロボティクス（cs.RO）とコンピュータビジョンおよびパターン認識（cs.CV）の両方に分類されている。