ロバスト制御/拡散ポリシー2026/3/1arXiv:2603.21017

見えざるものを夢見る：ワールドモデル正則化拡散ポリシーによる分布外ロバスト性の実現

Dreaming the Unseen: World Model-regularized Diffusion Policy for Out-of-Distribution Robustness

拡散ポリシーにワールドモデルを統合し、分布外の外乱時に視覚入力を捨てて内部の想像（予測ダイナミクス）で制御を継続する手法を提案。MetaWorldや実世界で高い成功率を達成。

詳しい要約

1. どんなもの？

- 拡散政策（Diffusion Policy）の視覚運動制御におけるOOD（Out-of-Distribution）障害に対する脆弱性を解決するため、Dream Diffusion Policy（DDP）を提案。 - 拡散世界モデル（diffusion world model）を政策の訓練目的に深く統合し、共有3D視覚エンコーダ（shared 3D visual encoder）を通じて共最適化。 - 推論時にOOD異常を検出すると、破損した視覚ストリームを放棄し、内部の「想像」（自己回帰的に予測された潜在ダイナミクス）に依存して安全に回避。 - 想像上の軌道を生成した後、物理現実にスムーズに再整合する。

2. 先行研究と比べてどこがすごい？

- 従来の拡散政策はOOD障害下で壊滅的に失敗するが、DDPは世界モデルとの共最適化により堅牢な状態予測能力を獲得。 - 予測的想像なしの場合と比較して、MetaWorldでOOD成功率73.8%（vs. 23.9%）、実世界の空間シフトで83.3%（vs. 3.3%）と大幅に改善。 - 初期化後に完全に開ループ想像に依存しても実世界成功率76.7%を維持するストレステストを実現。

3. 技術・手法の肝は？

- 拡散世界モデルを政策の訓練目的に統合し、共有3D視覚エンコーダで共最適化。 - 推論時にreal-imagination discrepancyを検出し、破損した視覚ストリームを放棄。 - 自己回帰的に予測された潜在ダイナミクス（internal imagination）を利用して想像上の軌道を生成し、物理現実に再整合。

4. どうやって有効だと検証した？

- MetaWorldでのOOD成功率73.8%（予測的想像なしでは23.9%）。 - 実世界の深刻な空間シフト下で83.3%の成功率（予測的想像なしでは3.3%）。 - ストレステストとして、初期化後に完全に開ループ想像に依存しても実世界成功率76.7%を維持。

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や関連手法は明示されていないため、同分野の定番としてDiffusion Policy、World Models、Model-Based Reinforcement Learning、Out-of-Distribution Robustnessを挙げる。

※ 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: Ziou Hu, Xiangtong Yao, Yuan Meng, Zhenshan Bing, Alois Knoll

分類: cs.RO

原文アブストラクト

Diffusion policies excel at visuomotor control but often fail catastrophically under severe out-of-distribution (OOD) disturbances, such as unexpected object displacements or visual corruptions. To address this vulnerability, we introduce the Dream Diffusion Policy (DDP), a framework that deeply integrates a diffusion world model into the policy's training objective via a shared 3D visual encoder. This co-optimization endows the policy with robust state-prediction capabilities. When encountering sudden OOD anomalies during inference, DDP detects the real-imagination discrepancy and actively abandons the corrupted visual stream. Instead, it relies on its internal "imagination" (autoregressively forecasted latent dynamics) to safely bypass the disruption, generating imagined trajectories before smoothly realigning with physical reality. Extensive evaluations demonstrate DDP's exceptional resilience. Notably, DDP achieves a 73.8% OOD success rate on MetaWorld (vs. 23.9% without predictive imagination) and an 83.3% success rate under severe real-world spatial shifts (vs. 3.3% without predictive imagination). Furthermore, as a stress test, DDP maintains a 76.7% real-world success rate even when relying entirely on open-loop imagination post-initialization.

arXivで原文を読む →arXiv概要ページ

← 論文一覧