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:2602.03793

BridgeV2W: 身体マスクで動画生成モデルを身体性世界モデルへ橋渡し

BridgeV2W: Bridging Video Generation Models to Embodied World Models via Embodiment Masks

シェア:XThreadsFacebookLINEはてブBluesky

座標空間の行動をURDFとカメラパラメータから描画した身体マスクに変換し、ControlNet風に動画生成モデルへ注入することで、視点や身体構造に依存しない統一的な身体性世界モデルを実現した。

詳しい要約

1. どんなもの?

- ロボティクス向けの Embodied World Model を構築する手法 BridgeV2W を提案。 - 座標空間の action を URDF と camera パラメータから pixel 空間の embodiment mask に変換。 - その mask を pretrained video generation model に ControlNet 風に注入し、action と映像を整合。 - 単腕 DROID と双腕 AgiBot-G1 で評価し、下流の policy evaluation や goal-conditioned planning にも応用。

2. 先行研究と比べてどこがすごい?

- 従来は coordinate-space action と pixel-space video の不整合、camera 視点への敏感さ、embodiment ごとの非統一アーキテクチャが課題。 - BridgeV2W は embodiment mask を介して action と映像を pixel 単位で整合。 - view-specific conditioning により camera 視点変化に対応。 - 単一アーキテクチャで複数 embodiment を扱える統一的世界モデルを実現。 - 先行 state-of-the-art と比べ video 生成品質が向上。

3. 技術・手法の肝は?

- URDF と camera パラメータから embodiment mask をレンダリングし、座標空間 action を pixel 空間に写像。 - その mask を ControlNet スタイルの経路で pretrained video generation model に注入。 - これにより action 制御信号と予測映像を整合させ、視点固有の条件付けを付加。 - 静的背景への過学習を抑えるため、flow-based motion loss を導入し動的でタスク関連領域の学習を促す。

4. どうやって有効だと検証した?

- 単腕 DROID と双腕 AgiBot-G1 のデータセットで実験。 - 未見の視点やシーンを含む多様で困難な条件をカバー。 - 先行 state-of-the-art 手法と比較し、video 生成品質の向上を確認。 - 下流の実世界タスクとして policy evaluation と goal-conditioned planning への可能性も実証。

5. 議論はある?

- 要旨からは不明。 - ただし、未見視点・シーンへの汎化や下流タスクへの応用可能性は示唆されている。 - 限界や失敗事例、計算コストなどに関する議論は要旨には記載なし。

6. 次に読むべき論文は?

- 要旨で参照・比較されている具体的な先行研究名は明記されていない。 - 関連手法として ControlNet、video generation model、Embodied World Model が挙げられる。 - 同分野の定番として DROID、AgiBot-G1 データセットや、policy evaluation、goal-conditioned planning に関する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: Yixiang Chen, Peiyan Li, Jiabing Yang, Keji He, Xiangnan Wu, Yuan Xu, Kai Wang, Jing Liu, Nianfeng Liu, Yan Huang, Liang Wang

分類: cs.RO, cs.CV

原文アブストラクト

Embodied world models have emerged as a promising paradigm in robotics, most of which leverage large-scale Internet videos or pretrained video generation models to enrich visual and motion priors. However, they still face key challenges: a misalignment between coordinate-space actions and pixel-space videos, sensitivity to camera viewpoint, and non-unified architectures across embodiments. To this end, we present BridgeV2W, which converts coordinate-space actions into pixel-aligned embodiment masks rendered from the URDF and camera parameters. These masks are then injected into a pretrained video generation model via a ControlNet-style pathway, which aligns the action control signals with predicted videos, adds view-specific conditioning to accommodate camera viewpoints, and yields a unified world model architecture across embodiments. To mitigate overfitting to static backgrounds, BridgeV2W further introduces a flow-based motion loss that focuses on learning dynamic and task-relevant regions. Experiments on single-arm (DROID) and dual-arm (AgiBot-G1) datasets, covering diverse and challenging conditions with unseen viewpoints and scenes, show that BridgeV2W improves video generation quality compared to prior state-of-the-art methods. We further demonstrate the potential of BridgeV2W on downstream real-world tasks, including policy evaluation and goal-conditioned planning. More results can be found on our project website at https://BridgeV2W.github.io .

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