ロボット収納のための視覚的先読み：スパーススナップショットからの拡散ベース世界モデル

本論文は、倉庫の stow 操作において、ロボットが物体を storage bin に配置する前後の状態を予測する world model「FOREST」を提案する。bin 状態を item-aligned instance masks として表現し、latent diffusion transformer を用いて、観測された context と計画された stow behavior から post-stow configuration を予測する。予測された post-stow layout は、load-quality assessment や multi-stow reasoning といった下流タスクに利用可能な foresight signal を提供する。

要旨では、heuristic baselines と比較して、予測された post-stow layout と真の layout との幾何学的一致度が大幅に改善されたと述べられている。また、下流タスクにおいて、実際の post-stow masks を FOREST の予測に置き換えても性能低下が modest であることを示し、実用的な予測が可能である点が先行研究と比べて優れている。

FOREST は stow-intent-conditioned world model であり、bin 状態を item-aligned instance masks で表現する。観測された context と stow intent を条件として、latent diffusion transformer が post-stow configuration を予測する。これにより、実実行前に bin の見え方を予測する。

評価では、FOREST と heuristic baselines を比較し、予測された post-stow layout と真の layout との幾何学的一致度を測定した。さらに、予測された post-stow layout を load-quality assessment と multi-stow reasoning の二つの下流タスクに適用し、実際の post-stow masks を FOREST 予測に置き換えた際の性能低下が modest であることを確認した。

要旨からは、FOREST の予測が倉庫計画のための有用な foresight signal を提供できることが示唆される。一方で、予測誤差や計算コスト、他のタスクへの汎化性などに関する議論は要旨からは不明である。

要旨で参照/比較されている研究は heuristic baselines のみであり、具体的な論文名は挙げられていない。関連手法として、latent diffusion transformer や world model を用いたロボティクス研究、および倉庫における stow 計画の研究が次に読むべき候補となる。