自律型手術ロボットの実現には、模倣学習が有望な手法として注目されていますが、安全な実運用にはまだ多くの課題があります。特に手術という安全性が最も重要な領域では、予期しない故障を検知し対応することが極めて重要です。しかし従来の故障検知手法は、故障データの不足、手術中の複雑で変動する動作パターン、見落としと誤報のバランスという三つの大きな課題に直面していました。 これらの課題を解決するため、研究者たちはFoMo-FD（Flow-Matching World Model for Failure Detection）という新しい故障検知手法を開発しました。この手法は、短期的な視覚的動作パターンを学習する行動条件付きフロー・マッチング世界モデルを用いています。FoMo-FDは観測された画像特徴の逆輸送非適合性をスコアリングすることで、実際の故障データなしに視覚と行動の不一致を検知できます。検知の閾値は正常な手術実行データから統計的に校正されるため、将来の故障形態を想定することなくタスク固有のアラームを生成できます。 評価実験では、da Vinci Research Kit（dVRK）を使用して、シミュレーション環境と実際の手術環境の両方で4つの手術関連操作タスクと20種類の故障モードでテストされました。結果は、FoMo-FDが従来の観測ベースの異常検知手法や予測誤差ベースの世界モデルを上回る性能を示し、手首カメラの視点で特に優れた成績を収めています。具体的には、1.3%の誤報率でありながら96.6%の故障検知率を達成しており、手術ロボットの安全性向上に向けた大きな進展といえます。