AIロボット競技PARC2026挑戦記：モデル改良より「出力処理」の工夫が性能向上の鍵
本記事は、ロボットの動作をAIに学習させるコンペティション「PARC2026」（Physical AI Robot Challenge 2026）の予選（Track1）に挑戦した記録をまとめたものです。このコンペティションは、カメラ映像（Vision）と指示文（Language）から、ロボットアームの動き（Action）を予測するVLA（Vision-Language-Action）モデルの性能を競います。タスクは、牛乳をカゴに入れる、トマトソースを掴むといった日常的な動作をシミュレーション環境（LIBERO-Plus）で行うものです。
筆者は、初期スコア0.000からスタートし、まずモデルの出力を滑らかにつなぐ「temporal ensemble」という手法を導入しました。これにより、公式スコアを0.28844に大幅に引き上げました（配布baselineの約4.5倍）。さらに、モデルの出力のばらつき（disagreement）を計測し、不確実性が高い場面でのみ予測頻度を上げる「adaptive replanning」という仕組みを追加しました。この工夫により、テストでの成功率は87.5%から92.5%へと改善し、衝突リスクも半減しました。
特筆すべき点として、筆者はモデル自体の重み（パラメータ）を書き換えるフルファインチューニングではなく、LoRA（Low-Rank Adaptation）や、モデルの出力をどのように扱うかという「実行時の工夫」に注力したことが成功の要因であると分析しています。また、データ収集においては、単に量を増やすのではなく、動きの滑らかさ（ジャークなど）といった「データの質」を重視する運用に切り替えた経験も、重要な学びとして共有されています。
背景
PARC2026は、AIが現実世界の物理的なタスクをこなせるか（Physical AI）を検証する最先端のロボティクスコンペティションです。ロボットに「言葉による指示」を理解させ、具体的な動作に変換するVLAモデルの性能が焦点となっており、単なる画像認識を超えた高度な制御技術が求められます。
重要用語解説
- VLA（Vision-Language-Action）モデル: カメラ映像（Vision）と指示文（Language）を入力とし、ロボットアームの動き（Action）を出力するAIモデル。言語理解と物理動作の統合を目指す最先端技術です。
- LoRA（Low-Rank Adaptation）: 大規模なAIモデル全体を再学習させるのではなく、少量の追加パラメータのみを学習させる効率的なファインチューニング手法。計算コストを抑えられます。
- temporal ensemble: AIモデルが予測する連続的な動作（アクション）の予測結果を、時間的にブレンド（混合）して出力する技術。動きの不連続性を解消します。
今後の影響
本事例は、AIの性能向上が必ずしもモデルの巨大化や再学習に依存するわけではなく、モデルの出力をいかに効率的かつ物理的に「補正・制御」するアルゴリズム（推論時の工夫）にかかっていることを示しています。これは、今後の実用的なロボットAI開発における重要な指針となるでしょう。