日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

マニピュレーションarXiv:2512.18477

STORM: 探索誘導型生成ワールドモデルによるロボットマニピュレーション

STORM: Search-Guided Generative World Models for Robotic Manipulation

シェア:XThreadsFacebookLINEはてブBluesky

拡散ベースの行動生成・動画予測・MCTS探索を統合し、視覚的ロールアウトで先読みしながら操作計画を立てるフレームワークを提案。SimplerEnvで成功率51.0%のSOTAを達成。

詳しい要約

1. どんなもの?

- STORMは、ロボティックマニピュレーションのための時空間推論フレームワーク。 - diffusion-based action generation、conditional video prediction、search-based planningを統合。 - 明示的なvisual rolloutsに基づく計画で、解釈可能で先見的な意思決定を実現。 - diffusion-based VLA policyが候補行動を提案し、generative video world modelが視覚・報酬結果をシミュレート。 - MCTSがlookahead評価で計画を選択的に洗練。

2. 先行研究と比べてどこがすごい?

- 従来のVLAモデルは抽象的なlatent dynamicsに依存するか、言語コンポーネントに推論を委任。 - STORMは計画を明示的なvisual rolloutsに基づかせ、解釈可能で先見的な意思決定を可能に。 - SimplerEnvベンチマークで平均成功率51.0%を達成し、CogACTなどの強力なベースラインを上回る新SOTA。 - reward-augmented video predictionによりFrechet Video Distanceを75%以上削減。

3. 技術・手法の肝は?

- diffusion-based VLA policyが多様な候補行動を提案。 - generative video world modelが候補行動の視覚的・報酬的結果をシミュレート。 - Monte Carlo Tree Search (MCTS)がlookahead評価を通じて計画を選択的に洗練。 - これらを統合し、search-guided generative world modelを構築。

4. どうやって有効だと検証した?

- SimplerEnv manipulation benchmarkで評価。 - 平均成功率51.0%を達成し、CogACTなどの強力なベースラインを上回る。 - reward-augmented video predictionが時空間忠実度とタスク関連性を大幅に改善し、Frechet Video Distanceを75%以上削減。 - ロバストな再計画と失敗回復行動を示す。

5. 議論はある?

- 検索誘導型生成ワールドモデルが長期的ロボティックマニピュレーションに有利であることを強調。 - 解釈可能性と先見性の利点を主張。 - 具体的な限界や議論は要旨からは不明。

6. 次に読むべき論文は?

- CogACT(比較対象の強力なベースライン) - Vision-Language-Action (VLA) models - diffusion-based VLA policy - Monte Carlo Tree Search (MCTS) - SimplerEnv manipulation benchmark

※ 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: Wenjun Lin, Jensen Zhang, Kaitong Cai, Keze Wang

分類: cs.RO, cs.CV

原文アブストラクト

We present STORM (Search-Guided Generative World Models), a novel framework for spatio-temporal reasoning in robotic manipulation that unifies diffusion-based action generation, conditional video prediction, and search-based planning. Unlike prior Vision-Language-Action (VLA) models that rely on abstract latent dynamics or delegate reasoning to language components, STORM grounds planning in explicit visual rollouts, enabling interpretable and foresight-driven decision-making. A diffusion-based VLA policy proposes diverse candidate actions, a generative video world model simulates their visual and reward outcomes, and Monte Carlo Tree Search (MCTS) selectively refines plans through lookahead evaluation. Experiments on the SimplerEnv manipulation benchmark demonstrate that STORM achieves a new state-of-the-art average success rate of 51.0 percent, outperforming strong baselines such as CogACT. Reward-augmented video prediction substantially improves spatio-temporal fidelity and task relevance, reducing Frechet Video Distance by over 75 percent. Moreover, STORM exhibits robust re-planning and failure recovery behavior, highlighting the advantages of search-guided generative world models for long-horizon robotic manipulation.

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

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI