日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

マニピュレーションarXiv:2604.20246

Cortex 2.0: 実世界の産業展開における世界モデルの基盤化

Cortex 2.0: Grounding World Models in Real-World Industrial Deployment

シェア:XThreadsFacebookLINEはてブBluesky

産業用ロボット操作のための世界モデルベースのプランニング手法を提案し、長期的なタスクでの信頼性を向上させた。

詳しい要約

1. どんなもの?

- 産業用ロボットマニピュレーション向けの新しい制御フレームワーク「Cortex 2.0」 - Vision-Language-Action (VLA) モデルの反応的制御から、plan-and-act への移行を実現 - 視覚潜在空間で将来軌道候補を生成し、成功期待度と効率でスコアリングして最良候補を実行 - 単腕・双腕プラットフォームで4タスク(pick and place, item and trash sorting, screw sorting, shoebox unpacking)を評価 - clutterやocclusion、contact-richな非構造環境でも信頼性を維持

2. 先行研究と比べてどこがすごい?

- 従来のVLAモデルは現在の観測から次の行動を最適化する反応的制御で、長期的タスクの複合失敗に脆い - Cortex 2.0は将来軌道を評価するworld-modelベースの計画により、この脆さを克服 - 最先端VLAベースラインを全タスクで一貫して上回る性能を達成 - 反応的ポリシーが失敗するような clutter, occlusion, contact-rich 環境でも信頼性を維持

3. 技術・手法の肝は?

- 視覚潜在空間で候補となる将来軌道を生成 - 各候補を期待成功率と効率でスコアリング - 最高スコアの候補のみを実行に移す plan-and-act アプローチ - これにより長期的タスクにおける複合失敗モードを回避 - 具体的なモデルアーキテクチャや学習手法の詳細は要旨からは不明

4. どうやって有効だと検証した?

- 単腕および双腕マニピュレーションプラットフォームで評価 - 複雑さが増す4タスク:pick and place, item and trash sorting, screw sorting, shoebox unpacking - 最先端VLAベースラインと比較し、全タスクで最高性能を達成 - 重い clutter、頻繁な occlusion、contact-rich な非構造環境での信頼性を実証

5. 議論はある?

- world-modelベースの計画が複雑な産業環境で信頼性高く動作することを示唆 - 反応的ポリシーが失敗する状況での有効性を強調 - 限界や課題、今後の方向性についての具体的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/比較されている具体的なVLAベースライン名は不明 - 関連手法として Vision-Language-Action models や world-model-based planning の代表的論文 - 同分野の定番として RT-1, RT-2, PaLM-E, Dreamer などが考えられるが、要旨に明示なし

※ 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: Adriana Aida, Walid Amer, Katarina Bankovic, Dhruv Behl, Fabian Busch, Annie Bhalla, Minh Duong, Florian Gienger, Rohan Godse, Denis Grachev, Ralf Gulde, Elisa Hagensieker, Junpeng Hu, Shivam Joshi, Tobias Knobloch, Likith Kumar, Damien LaRocque, Keerthana Lokesh, Omar Moured, Khiem Nguyen, Christian Preyss, Ranjith Sriganesan, Vikram Singh, Carsten Sponner, Anh Tong, Dominik Tuscher, Marc Tuscher, Pavan Upputuri

分類: cs.RO, cs.AI

原文アブストラクト

Industrial robotic manipulation demands reliable long-horizon execution across embodiments, tasks, and changing object distributions. While Vision-Language-Action models have demonstrated strong generalization, they remain fundamentally reactive. By optimizing the next action given the current observation without evaluating potential futures, they are brittle to the compounding failure modes of long-horizon tasks. Cortex 2.0 shifts from reactive control to plan-and-act by generating candidate future trajectories in visual latent space, scoring them for expected success and efficiency, then committing only to the highest-scoring candidate. We evaluate Cortex 2.0 on a single-arm and dual-arm manipulation platform across four tasks of increasing complexity: pick and place, item and trash sorting, screw sorting, and shoebox unpacking. Cortex 2.0 consistently outperforms state-of-the-art Vision-Language-Action baselines, achieving the best results across all tasks. The system remains reliable in unstructured environments characterized by heavy clutter, frequent occlusions, and contact-rich manipulation, where reactive policies fail. These results demonstrate that world-model-based planning can operate reliably in complex industrial environments.

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

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI