日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

VLAarXiv:2601.17507

MetaWorld:高レベル指示を接地するための階層型ワールドモデルにおけるスキル転送と構成

MetaWorld: Skill Transfer and Composition in a Hierarchical World Model for Grounding High-Level Instructions

シェア:XThreadsFacebookLINEはてブBluesky

VLMによる意味計画と潜在ダイナミクスモデルを組み合わせた階層型ワールドモデルを提案し、事前学習済みマルチエキスパート方策を転送することでヒューマノイドのロコマニピュレーションを効率化した。

詳しい要約

1. どんなもの?

- ヒューマノイドロボットの loco-manipulation における semantic-physical gap を埋めるための階層型 world model「MetaWorld」を提案。 - VLM 駆動の semantic layer と、compact state space で動作する latent dynamics model にタスクを分離。 - 事前学習済み multi-expert policy library を転移可能な知識として活用し、高レベル指示を接地する。

2. 先行研究と比べてどこがすごい?

- 既存手法の課題として、reinforcement learning の低い sample efficiency、imitation learning の汎化性能不足、VLM の物理的不整合を指摘。 - MetaWorld は world model-based RL と比較して、Humanoid-Bench 上で task completion と motion coherence で優位。 - 階層的 world model と expert policy transfer により、semantic planning と physical control を統合する点が新しい。

3. 技術・手法の肝は?

- VLM を semantic interface として用い、指示を実行可能な skill にマッピングし symbol grounding を回避。 - latent dynamics model を compact state space で動作させ、物理制御を担う。 - dynamic expert selection と motion prior fusion により、事前学習済み multi-expert policy library を転移知識として利用。 - two-stage framework で効率的な online adaptation を実現。

4. どうやって有効だと検証した?

- Humanoid-Bench 上で実験を実施。 - world model-based RL と比較し、task completion と motion coherence で MetaWorld が優位であることを示した。 - コードは https://anonymous.4open.science/r/metaworld-2BF4/ で公開予定。

5. 議論はある?

- 要旨からは不明。 - 限界や失敗事例、計算コスト、実機への転移可能性などについての議論は要旨に記載されていない。

6. 次に読むべき論文は?

- 要旨で参照・比較されている研究として、world model-based RL、imitation learning、VLM を用いた手法、Humanoid-Bench が挙げられる。 - 関連手法として、Dreamer などの world model ベース RL、RT-2 などの VLM ベースロボティクス、Humanoid-Bench を用いた研究が次に読むべき候補。

※ 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: Yutong Shen, Hangxu Liu, Kailin Pei, Ruizhe Xia, Tongtong Feng

分類: cs.RO

原文アブストラクト

Humanoid robot loco-manipulation remains constrained by the semantic-physical gap. Current methods face three limitations: Low sample efficiency in reinforcement learning, poor generalization in imitation learning, and physical inconsistency in VLMs. We propose MetaWorld, a hierarchical world model that integrates semantic planning and physical control via expert policy transfer. The framework decouples tasks into a VLM-driven semantic layer and a latent dynamics model operating in a compact state space. Our dynamic expert selection and motion prior fusion mechanism leverages a pre-trained multi-expert policy library as transferable knowledge, enabling efficient online adaptation via a two-stage framework. VLMs serve as semantic interfaces, mapping instructions to executable skills and bypassing symbol grounding. Experiments on Humanoid-Bench show MetaWorld outperforms world model-based RL in task completion and motion coherence. Our code will be found at https://anonymous.4open.science/r/metaworld-2BF4/

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. 2newmo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
  3. 3GXO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
  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