ABot-PhysWorld: 物理整合を備えたロボット操作のための対話型世界基盤モデル

- 14B Diffusion Transformer によるロボティックマニピュレーション向けの対話型 World Foundation Model。 - 視覚的にリアルで物理的に妥当、かつ action-controllable な動画を生成する。 - 300万件の manipulation clips と physics-aware annotation からなる curated dataset 上に構築。 - EZSbench という embodied zero-shot benchmark も導入。

- 従来の video-based world models は generic visual data と likelihood-based objectives で学習し、object penetration や anti-gravity motion など物理的に非現実的な manipulation を生成しがち。 - 本手法は物理法則を考慮した DPO-based post-training により、視覚品質を保ちつつ非物理的行動を抑制。 - PBench と EZSbench で新たな state-of-the-art を達成し、Veo 3.1 や Sora v2 Pro を物理的妥当性と軌道一貫性で上回る。

- 14B Diffusion Transformer をベースに、physics-aware annotation 付きの300万件の manipulation clips で学習。 - decoupled discriminators を備えた新規 DPO-based post-training framework で非物理的行動を抑制。 - parallel context block により、cross-embodiment control のための正確な spatial action injection を実現。 - EZSbench は real と synthetic の unseen robot-task-scene 組み合わせを統合し、物理的リアリズムと action alignment を分離評価する decoupled protocol を採用。

- PBench と EZSbench で評価し、新たな state-of-the-art 性能を達成。 - Veo 3.1 および Sora v2 Pro と比較して、physical plausibility と trajectory consistency で上回ることを示した。 - EZSbench は training-independent な embodied zero-shot benchmark として、real と synthetic の未見組み合わせで汎化性能を評価。

- 要旨からは不明。 - ただし、物理的に非現実的な生成（object penetration, anti-gravity motion）が従来課題であること、また EZSbench の公開により embodied video generation の標準評価を促進する意図が述べられている。

- Veo 3.1 - Sora v2 Pro - DPO (Direct Preference Optimization) 関連研究 - Diffusion Transformer 関連研究 - PBench - EZSbench