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:2603.04553

潜在粒子世界モデル:自己教師ありのオブジェクト中心確率動的モデリング

Latent Particle World Models: Self-supervised Object-centric Stochastic Dynamics Modeling

シェア:XThreadsFacebookLINEはてブBluesky

ビデオデータから教師なしでキーポイントやオブジェクトマスクを発見し、確率的な粒子動力学を学習する世界モデルを提案。実世界のマルチオブジェクトデータセットで最先端の性能を達成し、意思決定タスクにも応用可能。

詳しい要約

1. どんなもの?

- 自己教師ありの物体中心型world model「Latent Particle World Model (LPWM)」を提案。 - 実世界の多物体データセットにスケールし、意思決定にも適用可能。 - 動画からkeypoints、bounding boxes、object masksを自律的に発見し、教師なしで豊かなscene decompositionを学習。 - 純粋に動画からend-to-endで訓練され、actions、language、image goalsによる柔軟なconditioningをサポート。 - 新規のlatent action moduleによりstochastic particle dynamicsをモデル化。

2. 先行研究と比べてどこがすごい?

- 従来のobject-centric world modelと比べ、実世界の多物体データセットにスケールし、state-of-the-artを達成。 - 教師なしでkeypoints、bounding boxes、object masksを発見できる点が優位。 - 動画のみからend-to-endで訓練し、actions、language、image goalsのconditioningを柔軟にサポート。 - 新規のlatent action moduleでstochastic particle dynamicsを扱う点が先行研究と異なる。

3. 技術・手法の肝は?

- 自己教師ありで動画からkeypoints、bounding boxes、object masksを発見する物体中心型world model。 - 純粋に動画からend-to-endで訓練。 - 新規のlatent action moduleを介してstochastic particle dynamicsをモデル化。 - actions、language、image goalsによる柔軟なconditioningをサポート。

4. どうやって有効だと検証した?

- 多様な実世界および合成データセットでstate-of-the-art結果を達成。 - 意思決定への適用可能性を示し、goal-conditioned imitation learningを実証。 - コード、データ、事前学習済みモデル、ビデオロールアウトを公開。

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は明記されていない。 - 同分野の定番として、object-centric world models、stochastic video modeling、goal-conditioned imitation learningに関する論文が挙げられる。

※ 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: Tal Daniel, Carl Qi, Dan Haramati, Amir Zadeh, Chuan Li, Aviv Tamar, Deepak Pathak, David Held

分類: cs.LG

原文アブストラクト

We introduce Latent Particle World Model (LPWM), a self-supervised object-centric world model scaled to real-world multi-object datasets and applicable in decision-making. LPWM autonomously discovers keypoints, bounding boxes, and object masks directly from video data, enabling it to learn rich scene decompositions without supervision. Our architecture is trained end-to-end purely from videos and supports flexible conditioning on actions, language, and image goals. LPWM models stochastic particle dynamics via a novel latent action module and achieves state-of-the-art results on diverse real-world and synthetic datasets. Beyond stochastic video modeling, LPWM is readily applicable to decision-making, including goal-conditioned imitation learning, as we demonstrate in the paper. Code, data, pre-trained models and video rollouts are available: https://taldatech.github.io/lpwm-web

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