シミュレーション2026/5/1arXiv:2605.27491

GE-Sim 2.0: ロボット操作のための包括的クローズドループ映像世界シミュレータへのロードマップ

GE-Sim 2.0: A Roadmap Towards Comprehensive Closed-loop Video World Simulators for Robotic Manipulation

ロボット操作のためのクローズドループ映像世界シミュレータGE-Sim 2.0を提案。実ロボットデータで再学習し、状態デコーダ、世界判定器、高速化モジュールを追加して、映像シミュレーションからポリシー学習へのループを閉じる。

詳しい要約

1. どんなもの？

- ロボットマニピュレーション向けの閉ループ動画ワールドシミュレータ - 名称: GE-Sim 2.0 (Genie Envisioner World Simulator 2.0) - 基盤: Genie Envisioner の action-conditioned video generation フレームワーク - 目的: 動画シミュレーションから policy learning までの閉ループを実現 - 特徴: 実世界ロボットデータで再学習、3つの新モジュールを追加 - 規模: 2B parameters で WorldArena leaderboard 首位

2. 先行研究と比べてどこがすごい？

- 先行の Genie Envisioner を action-conditioned video generation の基盤として拡張 - 数千時間の実世界ロボットデータ(teleoperation, contact-rich interaction, on-robot policy deployment)で再学習 - action-following fidelity と trajectory coverage を大幅改善 - 公開 WorldArena leaderboard で首位 - 専用の robotic world models と closed-source general video generators の両方を上回る - わずか 2B parameters で達成 - 生成 rollouts と rewards で訓練した policies が実世界で測定可能な改善をもたらす

3. 技術・手法の肝は？

- action-conditioned video generation フレームワークを基盤 - 3つの新モジュールで閉ループを構成 - state expert: video latents から proprioceptive state をデコードし、下流 VLA policies の next-chunk prediction を支援 - world judge: 生成 rollouts を task instructions に照らしてスコアリングし、人手検査の代わりに machine-verifiable success signals と rewards を生成 - acceleration framework: 単一 H100 で 25-frame rollout を 2.3 秒で提供、推論時に最大 4* frame skipping で long-horizon evaluation に対応

4. どうやって有効だと検証した？

- 公開 WorldArena leaderboard で首位を獲得 - 専用 robotic world models と closed-source general video generators を上回る - policies trained against its rollouts and rewards が実世界で測定可能な gains を生むことを確認 - 具体的な評価指標や実験設定の詳細は要旨からは不明

5. 議論はある？

- 要旨からは不明 - 限界、失敗事例、計算コスト、汎化性などの議論は記述されていない

6. 次に読むべき論文は？

- Genie Envisioner (基盤フレームワーク) - WorldArena leaderboard 上の比較対象(専用 robotic world models、closed-source general video generators) - VLA policies 関連の研究 - action-conditioned video generation の関連手法

※ 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: Boxiang Qiu, Liliang Chen, Yue Liao, Nan Wang, Lintao Wang, Jiayi Luo, Wenzhi Zhao, Shengcong Chen, Di Chen, Ye Li, Chen Gao, Shuicheng Yan, Si Liu, Maoqing Yao, Guanghui Ren

分類: cs.RO

原文アブストラクト

We introduce GE-Sim 2.0 (Genie Envisioner World Simulator 2.0), a closed-loop video world simulator for robotic manipulation. Building on the action-conditioned video generation framework of Genie Envisioner, GE-Sim 2.0 is re-trained on thousands of hours of real-world robot data spanning teleoperation, contact-rich interaction, and on-robot policy deployment, substantially improving action-following fidelity and trajectory coverage. On top of this foundation, three new modules close the loop from video simulation to policy learning: a state expert that decodes proprioceptive state from video latents to support next-chunk prediction by downstream VLA policies; a world judge that scores generated rollouts against task instructions, yielding machine-verifiable success signals and rewards in place of manual inspection; and an acceleration framework that delivers a 25-frame rollout in 2.3 seconds on a single H100, with up to 4* frame skipping at inference for long-horizon evaluation. GE-Sim 2.0 tops the public WorldArena leaderboard at only 2B parameters, outperforming both dedicated robotic world models and closed-source general video generators, and policies trained against its rollouts and rewards translate into measurable real-world gains, establishing GE-Sim 2.0 as a practical platform for scalable evaluation and closed-loop learning of manipulation policies.

arXivで原文を読む →arXiv概要ページ

GE-Sim 2.0: ロボット操作のための包括的クローズドループ映像世界シミュレータへのロードマップ

詳しい要約

1. どんなもの？

2. 先行研究と比べてどこがすごい？

3. 技術・手法の肝は？

4. どうやって有効だと検証した？

5. 議論はある？

6. 次に読むべき論文は？

原文アブストラクト

関連論文

今週よく読まれている記事

FRONTIER（GPU搭載BTOパソコン）

双腕モバイルマニピュレーター OpenShell