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:2602.06949

DreamDojo: 大規模人間動画から学ぶ汎用ロボット世界モデル

DreamDojo: A Generalist Robot World Model from Large-Scale Human Videos

シェア:XThreadsFacebookLINEはてブBluesky

44,000時間の一人称視点人間動画から汎用的なロボット世界モデルを学習し、連続潜在行動を代理ラベルとして活用することで、巧みな操作の物理理解と精密な行動制御を実現した研究。

詳しい要約

1. どんなもの?

- DreamDojoは、大規模な人間動画から学習する汎用ロボット世界モデル。 - 44k時間の一人称視点人間動画を用いて、多様な相互作用と器用な制御を学習。 - 世界モデル事前学習用データセットとして最大規模の動画データセット。 - 連続潜在行動を統一代理行動として導入し、ラベルなし動画からの知識転移を強化。 - 小規模ロボットデータで事後学習後、物理理解と正確な行動制御性を実現。 - 蒸留パイプラインで10.81 FPSのリアルタイム速度を達成し、文脈一貫性も改善。 - ライブテレオペレーション、政策評価、モデルベース計画などの応用を可能にする。

2. 先行研究と比べてどこがすごい?

- 従来の世界モデルはデータカバレッジと行動ラベルの不足に悩まされていた。 - DreamDojoは44k時間の一人称人間動画という最大規模のデータセットで事前学習。 - 連続潜在行動を代理行動として用いることで、ラベルなし動画からの相互作用知識転移を実現。 - 小規模ロボットデータへの事後学習で、物理理解と精密な行動制御性を獲得。 - 蒸留によりリアルタイム速度10.81 FPSを達成し、文脈一貫性も向上。 - 複数の挑戦的なOODベンチマークで、接触の多いタスクのシミュレーションにおける有効性を検証。

3. 技術・手法の肝は?

- 44k時間の一人称視点人間動画を収集し、多様な日常シナリオをカバーするデータ混合物を構築。 - 行動ラベルの不足に対処するため、連続潜在行動を統一代理行動として導入。 - これにより、ラベルなし動画から相互作用知識を転移。 - 小規模なターゲットロボットデータで事後学習を実施。 - 蒸留パイプラインを考案し、リアルタイム速度10.81 FPSを達成するとともに文脈一貫性を改善。 - 生成的世界モデルに基づくライブテレオペレーション、政策評価、モデルベース計画を可能にする。

4. どうやって有効だと検証した?

- 複数の挑戦的なout-of-distribution (OOD) ベンチマークで系統的に評価。 - オープンワールドで接触の多いタスクのシミュレーションにおける手法の重要性を検証。 - 事後学習後、物理理解と正確な行動制御性を実証。 - 蒸留パイプラインにより10.81 FPSのリアルタイム速度と文脈一貫性の改善を確認。 - ライブテレオペレーション、政策評価、モデルベース計画などの応用を実現。

5. 議論はある?

- 要旨からは、限界や議論点についての明示的な記述は不明。 - ただし、データカバレッジと行動ラベルの不足が課題として挙げられ、それに対処する手法が提案されている。 - 大規模人間動画からの学習が汎用ロボット世界モデルへの道を開く可能性が示唆されている。 - 今後の課題や制約については要旨からは不明。

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究は明示されていない。 - 関連手法として、world model、generative world model、model-based planning、policy evaluation、live teleoperationが挙げられる。 - 同分野の定番として、Dreamer、PlaNet、SimPLeなどの世界モデル研究が考えられる。 - また、大規模動画事前学習を用いたロボティクス研究(例:R3M、VIP、Voltron)も関連する。

※ 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: Shenyuan Gao, William Liang, Kaiyuan Zheng, Ayaan Malik, Seonghyeon Ye, Sihyun Yu, Wei-Cheng Tseng, Yuzhu Dong, Kaichun Mo, Chen-Hsuan Lin, Qianli Ma, Seungjun Nah, Loic Magne, Jiannan Xiang, Yuqi Xie, Ruijie Zheng, Dantong Niu, You Liang Tan, K. R. Zentner, George Kurian, Suneel Indupuru, Pooya Jannaty, Jinwei Gu, Jun Zhang, Jitendra Malik, Pieter Abbeel, Ming-Yu Liu, Yuke Zhu, Joel Jang, Linxi "Jim" Fan

分類: cs.RO, cs.AI, cs.CV, cs.LG

原文アブストラクト

Being able to simulate the outcomes of actions in varied environments will revolutionize the development of generalist agents at scale. However, modeling these world dynamics, especially for dexterous robotics tasks, poses significant challenges due to limited data coverage and scarce action labels. As an endeavor towards this end, we introduce DreamDojo, a foundation world model that learns diverse interactions and dexterous controls from 44k hours of egocentric human videos. Our data mixture represents the largest video dataset to date for world model pretraining, spanning a wide range of daily scenarios with diverse objects and skills. To address the scarcity of action labels, we introduce continuous latent actions as unified proxy actions, enhancing interaction knowledge transfer from unlabeled videos. After post-training on small-scale target robot data, DreamDojo demonstrates a strong understanding of physics and precise action controllability. We also devise a distillation pipeline that accelerates DreamDojo to a real-time speed of 10.81 FPS and further improves context consistency. Our work enables several important applications based on generative world models, including live teleoperation, policy evaluation, and model-based planning. Systematic evaluation on multiple challenging out-of-distribution (OOD) benchmarks verifies the significance of our method for simulating open-world, contact-rich tasks, paving the way for general-purpose robot world 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