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:2601.18323

TC-IDM: 実行可能なゼロショットロボット動作のための動画生成の接地

TC-IDM: Grounding Video Generation for Executable Zero-shot Robot Motion

シェア:XThreadsFacebookLINEはてブBluesky

生成された動画から道具の3D軌道を抽出し、それを6自由度のエンドエフェクタ動作に変換する逆動力学モデルを提案。ゼロショットで変形物体操作を含むタスクを実現した。

詳しい要約

1. どんなもの?

- 提案手法: Tool-Centric Inverse Dynamics Model (TC-IDM) - 目的: 生成的世界モデルのピクセル計画と物理実行可能な行動のギャップを埋める - 特徴: ツールの想像軌道を中間表現として利用 - 応用: ゼロショットロボット動作生成 - 評価: 実世界で平均成功率61.11%、単純タスク77.7%、変形物体タスク38.46%

2. 先行研究と比べてどこがすごい?

- 先行: VLAパラダイムは大規模ロボットデータ依存で汎化限界 - 先行: 生成的世界モデルはピクセル計画と実行行動のギャップ - 提案: ツール中心の中間表現でギャップを橋渡し - 優位: エンドエフェクタ多様性と視点不変性を向上 - 優位: 長期間・分布外タスク(変形物体含む)で汎化 - 比較: エンドツーエンドVLAや他の逆動力学モデルを大幅に上回る

3. 技術・手法の肝は?

- 核心: Tool-Centric Inverse Dynamics Model (TC-IDM) - 入力: 生成ビデオからツールの点群軌道を抽出 - セグメンテーションと3D運動推定を実施 - アーキテクチャ: 分離された行動ヘッド - 計画軌道を6-DoFエンドエフェクタ運動と制御信号に投影 - パラダイム: plan-and-translate - 多様なエンドエフェクタをサポート - 視点不変性を大幅改善

4. どうやって有効だと検証した?

- 実世界評価を実施 - 平均成功率: 61.11% - 単純タスク: 77.7% - ゼロショット変形物体タスク: 38.46% - 比較: エンドツーエンドVLAスタイルベースラインと他の逆動力学モデルを大幅に上回る - 検証項目: 長期間・分布外タスクへの汎化

5. 議論はある?

- 提案手法の有効性を実世界で確認 - 限界: 変形物体タスクの成功率は38.46%と低め - 議論: 視点不変性とエンドエフェクタ多様性の向上を主張 - 議論: 生成的世界モデルと物理制御のギャップを中間表現で橋渡し - 詳細な議論や限界分析は要旨からは不明

6. 次に読むべき論文は?

- 要旨で参照/比較: VLA (vision-language-action) パラダイム - 要旨で参照/比較: 生成的世界モデル (generative world models) - 要旨で参照/比較: エンドツーエンドVLAスタイルベースライン - 要旨で参照/比較: 他の逆動力学モデル (inverse dynamics models) - 関連手法: Tool-Centric Inverse Dynamics Model (TC-IDM) 自体 - 同分野定番: ロボット動作生成、模倣学習、モデルベース強化学習

※ 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: Weishi Mi, Yong Bao, Xiaowei Chi, Xiaozhu Ju, Zhiyuan Qin, Kuangzhi Ge, Kai Tang, Peidong Jia, Shanghang Zhang, Jian Tang

分類: cs.RO

原文アブストラクト

The vision-language-action (VLA) paradigm has enabled powerful robotic control by leveraging vision-language models, but its reliance on large-scale, high-quality robot data limits its generalization. Generative world models offer a promising alternative for general-purpose embodied AI, yet a critical gap remains between their pixel-level plans and physically executable actions. To this end, we propose the Tool-Centric Inverse Dynamics Model (TC-IDM). By focusing on the tool's imagined trajectory as synthesized by the world model, TC-IDM establishes a robust intermediate representation that bridges the gap between visual planning and physical control. TC-IDM extracts the tool's point cloud trajectories via segmentation and 3D motion estimation from generated videos. Considering diverse tool attributes, our architecture employs decoupled action heads to project these planned trajectories into 6-DoF end-effector motions and corresponding control signals. This plan-and-translate paradigm not only supports a wide range of end-effectors but also significantly improves viewpoint invariance. Furthermore, it exhibits strong generalization capabilities across long-horizon and out-of-distribution tasks, including interacting with deformable objects. In real-world evaluations, the world model with TC-IDM achieves an average success rate of 61.11 percent, with 77.7 percent on simple tasks and 38.46 percent on zero-shot deformable object tasks. It substantially outperforms end-to-end VLA-style baselines and other inverse dynamics models.

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