日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

ワールドモデルarXiv:2601.12428

ReWorld: 身体性ワールドモデルのための多次元報酬モデリング

ReWorld: Multi-Dimensional Reward Modeling for Embodied World Models

シェア:XThreadsFacebookLINEはてブBluesky

ロボット学習向け動画ベースのワールドモデルを、物理的忠実性・タスク論理・身体性・視覚品質の多次元報酬で強化学習により人間の選好に整合させるフレームワークを提案。

詳しい要約

1. どんなもの?

- ビデオベースのembodied world modelを強化学習で人間の選好に合わせるフレームワークReWorldを提案。 - 物理的忠実性、タスク完了能力、身体性の妥当性、視覚品質の多次元報酬を最適化。 - 大規模ビデオ選好データセット(約235K)を構築し、階層的報酬モデルを学習。 - flow-based world modelをPPOスタイルの効率的アルゴリズムでpost-train。

2. 先行研究と比べてどこがすごい?

- 従来のビデオベースworld modelは視覚的生成品質を重視し、物理的忠実性、動的整合性、タスク論理を軽視。 - 特にcontact-rich manipulation tasksへの適用が制限されていた。 - ReWorldは多次元報酬でこれらを改善し、生成ロールアウトの品質を向上。

3. 技術・手法の肝は?

- 大規模ビデオ選好データセット(~235K)を構築。 - 人間の選好に一致する多次元報酬を捉える階層的報酬モデルを学習。 - flow-based world modelを報酬でpost-trainする計算効率の良いPPOスタイルアルゴリズムを提案。

4. どうやって有効だと検証した?

- 包括的な実験と理論分析を実施。 - ReWorldが生成ロールアウトの物理的忠実性、論理的一貫性、身体性、視覚品質を大幅に改善し、従来手法を上回ることを示した。

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/比較されている研究は明示されていない。 - 同分野の定番として、video-based world models、flow-based models、PPO、reward modeling、embodied AI、robot learningが挙げられる。

※ 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: Baorui Peng, Wenyao Zhang, Liang Xu, Zekun Qi, Jiazhao Zhang, Hongsi Liu, Wenjun Zeng, Xin Jin

分類: cs.RO, cs.CV

原文アブストラクト

Recently, video-based world models that learn to simulate the dynamics have gained increasing attention in robot learning. However, current approaches primarily emphasize visual generative quality while overlooking physical fidelity, dynamic consistency, and task logic, especially for contact-rich manipulation tasks, which limits their applicability to downstream tasks. To this end, we introduce ReWorld, a framework aimed to employ reinforcement learning to align the video-based embodied world models with physical realism, task completion capability, embodiment plausibility and visual quality. Specifically, we first construct a large-scale (~235K) video preference dataset and employ it to train a hierarchical reward model designed to capture multi-dimensional reward consistent with human preferences. We further propose a practical alignment algorithm that post-trains flow-based world models using this reward through a computationally efficient PPO-style algorithm. Comprehensive experiments and theoretical analysis demonstrate that ReWorld significantly improves the physical fidelity, logical coherence, embodiment and visual quality of generated rollouts, outperforming previous methods.

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

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI