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:2604.19683

マスク世界モデル:ロバストなロボット政策学習のための重要要素予測

Mask World Model: Predicting What Matters for Robust Robot Policy Learning

シェア:XThreadsFacebookLINEはてブBluesky

動画生成事前学習に基づく世界モデルがロボット政策学習に有望だが、RGB予測は背景や照明などの無関係な要素に過適合しがち。本論文では、ピクセルではなくセマンティックマスクの進化を予測するマスク世界モデル(MWM)を提案し、幾何学的情報ボトルネックにより物理ダイナミクスと接触関係を捉えつつ視覚ノイズを除去。拡散ベースの政策ヘッドと統合し、LIBEROやRLBenchでSOTAを達成し、実世界実験でもロバスト性を示した。

詳しい要約

1. どんなもの?

- 大規模ビデオ生成事前学習に基づくWorld Modelの新手法「Mask World Model (MWM)」を提案。 - 従来のRGBビデオ予測ではなく、セマンティックマスクの進化を予測する。 - ビデオ拡散アーキテクチャを活用し、マスクダイナミクスをバックボーンとして拡散ベースのポリシーヘッドと統合。 - ロボットポリシー学習のための堅牢なエンドツーエンド制御を実現。

2. 先行研究と比べてどこがすごい?

- 従来のRGBベースWorld Modelは高忠実度ビデオ予測に焦点を当て、動的背景や照明変化などの無関係な要因に過適合し、一般化能力が低く脆弱な制御ポリシーを生む問題があった。 - MWMはセマンティックマスクを予測することで、幾何情報のボトルネックを課し、本質的な物理ダイナミクスと接触関係を捉え、視覚ノイズをフィルタリングする。 - LIBEROとRLBenchのシミュレーションベンチマークで、最先端のRGBベースWorld Modelを大幅に上回る性能を達成。

3. 技術・手法の肝は?

- ビデオ拡散アーキテクチャを利用して、ピクセルではなくセマンティックマスクの時間的進化を予測。 - このマスクダイナミクスバックボーンを拡散ベースのポリシーヘッドとシームレスに統合し、エンドツーエンド制御を可能にする。 - 幾何情報のボトルネックを課すことで、モデルが必須の物理ダイナミクスと接触関係を捕捉するよう強制。

4. どうやって有効だと検証した?

- LIBEROおよびRLBenchシミュレーションベンチマークで広範な評価を実施し、RGBベースの最先端World Modelを有意に上回ることを示した。 - 実世界実験およびランダムトークンプルーニングによる堅牢性評価を実施。 - MWMが優れた一般化能力とテクスチャ情報損失に対する堅牢な耐性を持つことを明らかにした。

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: RGBベースのWorld Model、ビデオ拡散アーキテクチャ、拡散ベースのポリシーヘッド。 - 関連手法: LIBERO、RLBench、ランダムトークンプルーニング。

※ 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: Yunfan Lou, Xiaowei Chi, Xiaojie Zhang, Zezhong Qian, Chengxuan Li, Rongyu Zhang, Yaoxu Lyu, Guoyu Song, Chuyao Fu, Haoxuan Xu, Pengwei Wang, Shanghang Zhang

分類: cs.RO

原文アブストラクト

World models derived from large-scale video generative pre-training have emerged as a promising paradigm for generalist robot policy learning. However, standard approaches often focus on high-fidelity RGB video prediction, this can result in overfitting to irrelevant factors, such as dynamic backgrounds and illumination changes. These distractions reduce the model's ability to generalize, ultimately leading to unreliable and fragile control policies. To address this, we introduce the Mask World Model (MWM), which leverages video diffusion architectures to predict the evolution of semantic masks instead of pixels. This shift imposes a geometric information bottleneck, forcing the model to capture essential physical dynamics and contact relations while filtering out visual noise. We seamlessly integrate this mask dynamics backbone with a diffusion-based policy head to enable robust end-to-end control. Extensive evaluations demonstrate the superiority of MWM on the LIBERO and RLBench simulation benchmarks, significantly outperforming the state-of-the-art RGB-based world models. Furthermore, real-world experiments and robustness evaluation (via random token pruning) reveal that MWM exhibits superior generalization capabilities and robust resilience to texture information loss.

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

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI