日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

タスク・動作計画arXiv:2602.11291

H-WM:階層型ワールドモデルによるロボットのタスク・動作計画

H-WM: Robotic Task and Motion Planning Guided by Hierarchical World Model

シェア:XThreadsFacebookLINEはてブBluesky

論理空間と視覚空間の状態遷移を統合的に予測する階層型ワールドモデルを提案し、長期的なロボットタスクの計画と実行を安定化させる。

詳しい要約

1. どんなもの?

- ロボットのタスク・モーションプランニング(TAMP)を階層的World Model(H-WM)で導く枠組み。 - 高レベル論理World Modelと低レベル視覚World Modelを統合し、論理状態と視覚状態の遷移を同時予測。 - 長期的タスクにおける安定した中間ガイダンスを提供し、誤差蓄積を緩和。 - 複数のVision-Language-Action(VLA)制御ポリシーに適用可能な汎用性を示す。

2. 先行研究と比べてどこがすごい?

- 既存のWorld Modelはビデオ生成や自然言語予測に偏り、ロボット行動への接地が難しく、長期ホライズンで誤差が蓄積。 - 古典的TAMPは論理空間で頑健な長期推論が可能だが、視覚知覚と独立しており、記号的・視覚的状態予測の同期ができない。 - H-WMは論理と視覚の遷移を統合フレームワークで同時予測し、記号推論の長期頑健性と視覚接地を両立。

3. 技術・手法の肝は?

- 高レベル論理World Modelと低レベル視覚World Modelを階層的に結合。 - 論理空間と視覚空間の状態遷移を統一的に予測。 - 階層的出力が長期タスクの中間ガイダンスとして機能し、誤差蓄積を抑制。 - ロボット実行可能な計画を生成し、VLA制御ポリシーへのガイダンスを提供。

4. どうやって有効だと検証した?

- 複数のVision-Language-Action(VLA)制御ポリシーを用いた実験を実施。 - H-WMのガイダンスの有効性と汎用性を検証。 - 長期的タスクシーケンスにおける頑健な実行を確認。

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:ビデオ生成や自然言語予測に基づくWorld Model、古典的Task and Motion Planning(TAMP)。 - 関連手法:Vision-Language-Action(VLA)制御ポリシー。

※ 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: Jinbang Huang, Wenyuan Chen, Zhiyuan Li, Oscar Pang, Xiao Hu, Lingfeng Zhang, Yuanzhao Hu, Zhanguang Zhang, Mark Coates, Tongtong Cao, Xingyue Quan, Yingxue Zhang

分類: cs.RO

原文アブストラクト

World models are becoming central to robotic planning and control as they enable prediction of future state transitions. Existing approaches often emphasize video generation or natural-language prediction, which are difficult to ground in robot actions and suffer from compounding errors over long horizons. Classic task and motion planning models world transitions in logical space, enabling robot-executable and robust long-horizon reasoning. However, they typically operate independently of visual perception, preventing synchronized symbolic and visual state prediction. We propose a Hierarchical World Model (H-WM) that jointly predicts logical and visual state transitions within a unified framework. H-WM combines a high-level logical world model with a low-level visual world model, integrating the long-horizon robustness of symbolic reasoning with visual grounding. The hierarchical outputs provide stable intermediate guidance for long-horizon tasks, mitigating error accumulation and enabling robust execution across extended task sequences. Experiments across multiple vision-language-action (VLA) control policies demonstrate the effectiveness and generality of H-WM's guidance.

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