ロボット操作タスクにおいて、Vision-Language-Action（VLA）モデルは優れた汎化能力を示していますが、接触が豊富なタスクでの対応が課題となっています。こうしたタスクでは、わずかな接触の摂動がもたらす失敗は視覚だけでは検出困難であり、回復不可能な状況に陥る可能性があります。これらの失敗はタスクレベルのセマンティックエラーではなく、局所的な問題であるため、触覚を考慮した補正的な事後学習を通じて効率的に改善できる見込みがあります。 しかし、こうした監督をスケールさせるために人間の介入に頼ることは多大なコストを要します。最近の研究では、ポリシー改善のための想像上のロールアウトを合成する世界モデルが探索されていますが、視覚のみに依存した世界モデルは視覚的に妥当でありながらも接触的には矛盾した軌跡を生成する可能性があります。 こうした課題に対処するため、今回紹介されるTACO（TActile World Model as a Self-COrrector）は、接触が豊富な操作タスク向けのスケーラブルなVLA事後学習のための触覚対応型世界モデル駆動フレームワークです。実際のロボット実行結果に基づき、TACOは「認識-想像-ラベリング」ループを触覚対応型世界モデルで実行します。進捗-アクションモデルが進捗推定を用いて失敗隣接状態を認識し、視覚触覚生成モデルが局所的な補正セグメントを想像し、進捗-アクションモデルが実行可能な補正アクションでラベルを付与します。 TACOは知識隔離された触覚適応と利得条件付き学習を組み合わせることで、事前学習された視覚言語の先行情報を損なわずにポリシーが想像上の補正から学習することを可能にします。実験結果では、接触が豊富な実世界の操作タスクにおいて、TACOはベースポリシーと比較して44%の絶対成功率改善を達成し、知識隔離を行わない場合と比較しても32%の改善を実現しています。