日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

世界モデルarXiv:2512.01952

GrndCtrl: 自己教師あり報酬アライメントによる世界モデルの接地

GrndCtrl: Grounding World Models via Self-Supervised Reward Alignment

シェア:XThreadsFacebookLINEはてブBluesky

動画世界モデルを幾何・知覚報酬で強化学習的に事後学習し、身体性ナビゲーションで空間的一貫性と安定性を高める手法を提案。

詳しい要約

1. どんなもの?

- ビデオ世界モデルを自己教師ありで物理的に検証可能な構造に整合させるフレームワークRLWGを提案。 - 具体的にはGrndCtrlという報酬整合適応手法を導入し、GRPOに基づく。 - 目的は、生成的世界モデルに幾何学的接地を与え、embodied navigationにおける空間的整合性と安定性を向上させること。

2. 先行研究と比べてどこがすごい?

- 従来のビデオ世界モデルは視覚的忠実度は高いが幾何学的接地が欠如し、ナビゲーションに必要な空間的整合性や安定性が不十分。 - 提案手法は自己教師あり報酬整合により、教師あり微調整よりも優れた空間的整合性とナビゲーション安定性を屋外環境で達成。 - 言語モデルにおけるRLVRに類似したアプローチを世界モデルに適用した点が新しい。

3. 技術・手法の肝は?

- RLWGは、ポーズサイクル整合性、深度再投影、時間的整合性を測定する複数の報酬を利用可能。 - GrndCtrlはGroup Relative Policy Optimization (GRPO)に基づく報酬整合適応手法。 - 事前学習済み世界モデルをこれらの検証可能な報酬で事後学習し、安定した軌道と一貫した幾何、信頼性の高いロールアウトを実現。

4. どうやって有効だと検証した?

- 屋外環境において、教師あり微調整と比較して空間的整合性とナビゲーション安定性が優れていることを示した。 - 具体的な評価指標やデータセットは要旨からは不明。

5. 議論はある?

- 要旨からは不明。

6. 次に読むべき論文は?

- 要旨で参照されているRLVR (Reinforcement Learning from Verifiable Feedback) やGRPO (Group Relative Policy Optimization) の原論文。 - 比較対象として言及されているsupervised fine-tuningの関連研究。 - 同分野の定番として、ビデオ世界モデルやembodied navigationに関する研究。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Haoyang He, Jay Patrikar, Dong-Ki Kim, Max Smith, Daniel McGann, Ali-akbar Agha-mohammadi, Shayegan Omidshafiei, Sebastian Scherer

分類: cs.CV, cs.AI, cs.LG, cs.RO

原文アブストラクト

Recent advances in video world modeling have enabled large-scale generative models to simulate embodied environments with high visual fidelity, providing strong priors for prediction, planning, and control. Yet, despite their realism, these models often lack geometric grounding, limiting their use in navigation tasks that require spatial coherence and stability. We introduce Reinforcement Learning with World Grounding (RLWG), a self-supervised post-training framework that aligns pretrained world models with a physically verifiable structure through geometric and perceptual rewards. Analogous to reinforcement learning from verifiable feedback (RLVR) in language models, RLWG can use multiple rewards that measure pose cycle-consistency, depth reprojection, and temporal coherence. We instantiate this framework with GrndCtrl, a reward-aligned adaptation method based on Group Relative Policy Optimization (GRPO), yielding world models that maintain stable trajectories, consistent geometry, and reliable rollouts for embodied navigation. Like post-training alignment in large language models, GrndCtrl leverages verifiable rewards to bridge generative pretraining and grounded behavior, achieving superior spatial coherence and navigation stability over supervised fine-tuning in outdoor environments.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI