ビデオ世界モデルによるスケーラブルな方策評価

- ロボット manipulation の generalist policy を、実機ではなく action-conditional video generation model による world model で評価する枠組みを探る研究。 - 実機評価の高コスト・時間・安全性・環境 reset の負担を回避する scalable な policy evaluation を狙う。 - 事前学習済み video generation model に action conditioning を組み込む手法を検討。

- 実世界テストは高コスト・時間・人手・安全性リスク・頻繁な reset が問題。 - 手作業の simulation 環境構築は大きな engineering effort と physics/rendering の sim-to-real gap が課題。 - 提案法は internet-scale の in-the-wild online videos を pre-training に活用でき、高価な paired video-action data の大規模収集を不要にできる点が特徴。

- action-conditional video generation model を world model として用い、policy evaluation に使う。 - 既存の pre-trained video generation model に action conditioning を組み込む方法を示す。 - pre-training 段階で internet-scale の in-the-wild online videos を利用可能にし、video-action ペアデータへの依存を軽減。

- dataset diversity、pre-trained weights、共通の failure cases の影響を検討。 - policy ranking や、actual policy values と predicted policy values の相関を含む複数 metrics で実験。 - 実世界 interaction なしで policy を評価できる可能性を示す。

- dataset diversity や pre-trained weights が評価パイプラインに与える影響を議論。 - 共通の failure cases を分析。 - 詳細な議論内容や限界は要旨からは不明。

- 要旨で参照/比較されている個別研究は不明。 - 関連手法として action-conditional video generation、video world model、pre-trained video generation model、sim-to-real、generalist policy for robotic manipulation を挙げる。