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:2604.06168

アクションイメージ:マルチビュー動画生成によるエンドツーエンド方策学習

Action Images: End-to-End Policy Learning via Multiview Video Generation

シェア:XThreadsFacebookLINEはてブBluesky

ロボットの7自由度動作をピクセルに接地したアクション動画として表現し、動画生成モデル自体を方策として用いる統一的な世界行動モデルを提案した。RLBenchと実機評価で高いゼロショット成功率を達成した。

詳しい要約

1. どんなもの?

- ロボットのポリシー学習を多視点動画生成として定式化する統合的なWorld Action Model (WAM)である「Action Images」を提案。 - 7-DoFのロボット行動を低次元トークンではなく、2Dピクセルに基づく解釈可能な「action images」(多視点行動動画)に変換。 - この表現により、ビデオバックボーン自体がゼロショットポリシーとして機能し、別途ポリシーヘッドや行動モジュールを必要としない。 - 同一の統合モデルで、ビデオと行動の同時生成、行動条件付きビデオ生成、行動ラベリングを共有表現の下でサポートする。

2. 先行研究と比べてどこがすごい?

- 既存のWAMは別個の行動モジュールに依存したり、ピクセルに基づかない行動表現を用いたりするため、ビデオモデルの事前学習知識を十分に活用できず、視点や環境間の転移が制限されていた。 - 提案手法はピクセルに基づく行動表現により、ビデオバックボーン自体をゼロショットポリシーとして機能させ、別途ポリシーヘッドや行動モジュールを不要にした。 - RLBenchおよび実世界評価で、最先端のゼロショット成功率を達成し、ビデオと行動の同時生成品質を従来のビデオ空間世界モデルより改善。

3. 技術・手法の肝は?

- 7-DoFロボット行動を、2Dピクセルに基づきロボットアームの動きを明示的に追跡する多視点行動動画(action images)に変換。 - この行動表現をビデオバックボーンに入力し、ポリシー学習を多視点ビデオ生成として統一的に扱う。 - ビデオバックボーン自体がゼロショットポリシーとして機能し、別途ポリシーヘッドや行動モジュールを必要としない。 - 同一モデルでビデオと行動の同時生成、行動条件付きビデオ生成、行動ラベリングを共有表現の下で実現。

4. どうやって有効だと検証した?

- RLBenchおよび実世界評価において、ゼロショット成功率が最も高いことを示した。 - ビデオと行動の同時生成品質が、従来のビデオ空間世界モデルよりも改善されたことを確認。 - これらの結果から、解釈可能なaction imagesがポリシー学習への有望な道であることを示唆。

5. 議論はある?

- 要旨からは、提案手法の限界や失敗事例、計算コスト、スケーラビリティに関する議論は明示されていない。 - 解釈可能なaction imagesがポリシー学習への有望な道であると結論付けているが、詳細な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/比較されている研究:World Action Models (WAMs)、ビデオ空間世界モデル(video-space world models)。 - 関連手法:RLBench(ベンチマーク)、ビデオバックボーンを活用したポリシー学習。 - 同分野の定番:Vision-Language-Action (VLA) モデル、Diffusion Policy、Video PreTraining (VPT) などが考えられるが、要旨では明示されていない。

※ 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: Haoyu Zhen, Zixian Gao, Qiao Sun, Yilin Zhao, Yuncong Yang, Yilun Du, Pengsheng Guo, Tsun-Hsuan Wang, Yi-Ling Qiao, Chuang Gan

分類: cs.CV, cs.RO

原文アブストラクト

World action models (WAMs) have emerged as a promising direction for robot policy learning, as they can leverage powerful video backbones to model the future states. However, existing approaches often rely on separate action modules, or use action representations that are not pixel-grounded, making it difficult to fully exploit the pretrained knowledge of video models and limiting transfer across viewpoints and environments. In this work, we present Action Images, a unified world action model that formulates policy learning as multiview video generation. Instead of encoding control as low-dimensional tokens, we translate 7-DoF robot actions into interpretable action images: multi-view action videos that are grounded in 2D pixels and explicitly track robot-arm motion. This pixel-grounded action representation allows the video backbone itself to act as a zero-shot policy, without a separate policy head or action module. Beyond control, the same unified model supports video-action joint generation, action-conditioned video generation, and action labeling under a shared representation. On RLBench and real-world evaluations, our model achieves the strongest zero-shot success rates and improves video-action joint generation quality over prior video-space world models, suggesting that interpretable action images are a promising route to policy learning.

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