日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

VLA/世界モデルarXiv:2606.01027

τ0-WM: ロボット操作のための統合ビデオ・アクション世界モデル

$\tau_0$-WM: A Unified Video-Action World Model for Robotic Manipulation

シェア:XThreadsFacebookLINEはてブBluesky

ロボット操作のための、ポリシー学習・ビデオ予測・行動評価を単一の未来予測フレームワークに統合した世界モデルを提案。実ロボットデータ約27,300時間で訓練し、推論時に候補行動のサンプリングと評価・修正を行うことで、長期的で細かい操作タスクで高い性能を示した。

詳しい要約

1. どんなもの?

- ロボットマニピュレーションのための統合的なvideo-action world modelである。 - ポリシー学習、video prediction、action evaluationを単一のfuture-predictive frameworkで統合する。 - 共有のvideo diffusion backbone上に、video action modelとaction-conditioned video simulatorの2つのインターフェースを提供する。 - video action modelは多視点観測、言語指示、ロボット状態から将来のvisual latentsと連続action chunksを予測する。 - action-conditioned video simulatorは候補action chunksを多視点未来に展開し、dense task-progress scoresを予測する。

2. 先行研究と比べてどこがすごい?

- 従来の手法と比較して、ポリシー学習、video prediction、action evaluationを単一のfuture-predictive frameworkで統合している点が新しい。 - 共有のvideo diffusion backboneを用いることで、これらを別々に扱うのではなく統合的に学習する。 - 大規模な実ロボットデータ(約27,300時間)で訓練され、長期的・細粒度のタスクで優れた性能を示す。 - 具体的な先行研究名は要旨からは不明。

3. 技術・手法の肝は?

- 共有のvideo diffusion backbone上に、video action modelとaction-conditioned video simulatorを構築する。 - video action modelは多視点観測、言語指示、ロボット状態から将来のvisual latentsと連続action chunksを予測する。 - action-conditioned video simulatorは候補action chunksを多視点未来に展開し、dense task-progress scoresを予測する。 - 訓練には約27,300時間の実ロボット遠隔操作、UMI-style interaction、egocentric human videos、rollout/failure trajectoriesを使用し、modality-specific supervision masksを適用する。 - 推論時にはtest-time computationを行い、action candidatesをサンプリングし、re-denoising consistencyでラン…

4. どうやって有効だと検証した?

- 挑戦的なlong-horizonおよびfine-grainedなロボットマニピュレーションタスクで評価された。 - 他の関連ベースラインと比較して優れた性能を示した。 - 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、限界や議論の詳細は不明。 - 大規模データとtest-time computationの有効性が示唆されているが、計算コストや汎化性に関する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は明示されていない。 - 関連手法として、video diffusion models、action-conditioned video prediction、world models for robotic manipulation、test-time computation、re-denoising consistencyなどが挙げられる。 - 同分野の定番として、RoboNet、Dreamer、VideoGPT、Diffusion Policyなどが考えられるが、要旨に直接の参照はない。

※ 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: Pengfei Zhou, Shengcong Chen, Di Chen, Jiaxu Wang, Rongjun Jin, Bingwen Zhu, Yike Pan, Songen Gu, Kuanning Wang, Shufeng Nan, Xingyu Qiu, Chenhao Qiu, Pu Yang, Yunuo Cai, Jianxiong Gao, Yifan Li, Yanwei Fu, Xiangyu Yue, Zhi Chen, Jianlan Luo

分類: cs.RO

原文アブストラクト

Robotic manipulation requires models that generate executable actions while anticipating and evaluating their future consequences before physical execution. We present $\tau_0$-World Model ($\tau_0$-WM), a unified video-action world model that integrates policy learning, video prediction, and action evaluation within a single future-predictive framework. Built on a shared video diffusion backbone, $\tau_0$-WM provides two complementary interfaces. First, a video action model jointly predicts future visual latents and continuous action chunks from multi-view observations, language instructions, and robot state. Second, an action-conditioned video simulator rolls out candidate action chunks into multi-view futures and predicts dense task-progress scores. The model is trained on approximately $27{,}300$ hours of real-robot teleoperation, UMI-style interaction, egocentric human videos, and rollout or failure trajectories using modality-specific supervision masks. At inference time, $\tau_0$-WM uses test-time computation to sample action candidates, rank them with re-denoising consistency, and invoke simulator-based rectification for low-quality candidates. On challenging long-horizon and fine-grained robotic manipulation tasks, $\tau_0$-WM shows superior performance over other relevant baselines.

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