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:2602.13977

WoVR: 幻覚を制御してVLAポリシーを強化学習で事後学習する信頼可能なワールドモデルシミュレータ

WoVR: World Models as Reliable Simulators for Post-Training VLA Policies with RL

シェア:XThreadsFacebookLINEはてブBluesky

不完全な学習済みワールドモデルをシミュレータとして使い、キーフレーム初期化ロールアウトとモデル・ポリシー共進化で幻覚の影響を抑え、VLAポリシーを強化学習で安定に事後学習する手法を提案。

詳しい要約

1. どんなもの?

- Vision-Language-Action (VLA) モデルの post-training のための、world model ベースの強化学習 (RL) フレームワーク WoVR を提案する。 - RL は imitation learning を超える能力を引き出せるが、実世界での大量インタラクションが必要で物理ロボットに直接適用しにくい。 - 学習済み world model を simulator として使う試みがあるが、closed-loop の imagined rollout は hallucination と long-horizon の誤差蓄積を起こす。 - WoVR は完全な world model を仮定せず、不完全な imagined dynamics と RL の相互作用を明示的に制御する。 - 安定した long-horizon imagined rollout と効果的な policy optimization を可能にする。

2. 先行研究と比べてどこがすごい?

- 従来は world model が忠実であると仮定して RL に使うことが多かった。 - それに対し WoVR は、不完全な imagined dynamics を前提に RL との相互作用を明示的に調整する点が新しい。 - hallucination と long-horizon 誤差蓄積が visual fidelity を下げるだけでなく、信頼できない学習信号で policy optimization を誤らせる問題に対処する。 - 具体的な先行研究名や比較数値は要旨からは不明。

3. 技術・手法の肝は?

- 制御可能な action-conditioned video world model により rollout の安定性を改善する。 - Keyframe-Initialized Rollouts により imagined interaction を再構成し、実効的な誤差深度 (effective error depth) を減らす。 - World Model-Policy co-evolution により policy と simulator の整合性 (policy--simulator alignment) を維持する。 - これら3要素で、不完全な world model 下でも RL が安定して機能するように設計する。

4. どうやって有効だと検証した?

- 広範な実験で、WoVR が安定した long-horizon imagined rollout と効果的な policy optimization を可能にすることを示す。 - LIBERO で優れた性能を達成する。 - 複数のロボットプラットフォームで一貫した実世界の改善 (real-world gains) を得る。 - 可視化結果は https://wovr-corl.github.io で公開されている。

5. 議論はある?

- world model の hallucination を明示的に制御すれば、world model は RL の実用的な simulator として使えることを結果が示す。 - ただし、限界や失敗ケース、計算コスト、他手法との詳細な比較などの議論は要旨からは不明。

6. 次に読むべき論文は?

- 要旨で参照/比較されている個別研究は明示されていない。 - 関連手法として、world model ベースの RL、VLA モデル、imitation learning、LIBERO ベンチマーク、action-conditioned video world model などが挙げられる。 - 具体的な次に読むべき論文は要旨からは不明。

※ 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: Zhennan Jiang, Shangqing Zhou, Yutong Jiang, Zefang Huang, Mingjie Wei, Yuhui Chen, Tianxing Zhou, Zhen Guo, Hao Lin, Quanlu Zhang, Yu Wang, Haoran Li, Chao Yu, Dongbin Zhao

分類: cs.RO, cs.AI

原文アブストラクト

Reinforcement learning (RL) promises to unlock capabilities beyond imitation learning for Vision--Language--Action (VLA) models, but its requirement for massive real-world interaction prevents direct deployment on physical robots. Recent work attempts to use learned world models as simulators for policy optimization, yet closed-loop imagined rollouts inevitably suffer from hallucination and long-horizon error accumulation. Such errors not only degrade visual fidelity, but also mislead policy optimization by providing unreliable learning signals. We propose WoVR, a reliable world-model-based RL framework for post-training VLA policies. Instead of assuming a faithful world model, WoVR explicitly regulates how RL interacts with imperfect imagined dynamics. It improves rollout stability through a controllable action-conditioned video world model, reshapes imagined interaction to reduce effective error depth via Keyframe-Initialized Rollouts, and maintains policy--simulator alignment through World Model-Policy co-evolution. Extensive experiments demonstrate that WoVR enables stable long-horizon imagined rollouts and effective policy optimization, achieving superior LIBERO performance and consistent real-world gains across multiple robotic platforms. These results show that world models can serve as practical simulators for RL when hallucination is explicitly controlled. Additional visualization results are available at https://wovr-corl.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