日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

世界モデル/ビデオ生成arXiv:2606.17030

Qwen-RobotWorld 技術報告:言語条件付きビデオ生成による身体化世界モデルの統合

Qwen-RobotWorld Technical Report: Unifying Embodied World Modeling through Language-Conditioned Video Generation

シェア:XThreadsFacebookLINEはてブBluesky

自然言語を統一アクションインターフェースとして用い、現在の観測から物理的に妥当な未来の視覚軌跡を予測する言語条件付きビデオ世界モデルを提案。ロボット操作、自動運転、屋内ナビゲーション、人間からロボットへの転移を統一的に扱い、データ生成・評価環境・計画信号の3つの応用を示す。

詳しい要約

1. どんなもの?

- 言語条件付きビデオ世界モデルQwen-RobotWorldを提案 - 自然言語を統一的アクションインターフェースとして、現在の観測から物理的に根拠のある未来の視覚軌道を予測 - ロボットマニピュレーション、自動運転、屋内ナビゲーション、人間からロボットへの転移に適用 - 応用: 政策訓練のための合成データ生成、政策評価のためのスケーラブルな仮想環境、下流ロボット制御のための言語誘導計画信号

2. 先行研究と比べてどこがすごい?

- 従来のembodied world modelは特定のembodimentやタスクに限定されることが多かった - 本手法は言語を統一インターフェースとし、20以上のembodimentと500以上のアクションカテゴリをカバー - EWMBenchとDreamGen Benchで総合1位、WorldModelBenchとPBenchでオープンソースモデルを上回る - RoboTwin-IFベンチマークでのゼロショット分析で堅牢な汎化とマルチビュー一貫性を示す

3. 技術・手法の肝は?

- Double-Stream MMDiT with MLLM Action Encoding: 60層の二重ストリーム拡散トランスフォーマーが、凍結されたQwen2.5-VLの意味論とvideo-VAE潜在を層ごとのjoint attentionで結合 - Embodied World Knowledge (EWK): 8.6Mのビデオテキストコーパス(200M+フレーム)、20以上のembodimentと500以上のアクションカテゴリにわたるアクション言語マッピング - General+Expert Progressive Curriculum: 二段階訓練戦略。まず一般的な視覚事前分布を学習し、その後共有言語インターフェースの下でembodied specializationを注入

4. どうやって有効だと検証した?

- EWMBenchとDreamGen Benchで総合1位を獲得 - WorldModelBenchとPBenchで全てのオープンソースモデルを上回る - RoboTwin-IFベンチマークでの追加ゼロショット分析により、堅牢な汎化とマルチビュー一貫性をサポート

5. 議論はある?

- 要旨からは不明

6. 次に読むべき論文は?

- Qwen2.5-VL - video-VAE - MMDiT - EWMBench - DreamGen Bench - WorldModelBench - PBench - RoboTwin-IF

※ 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: Jie Zhang, Xiaoyue Chen, Anzhe Chen, Dayiheng Liu, Deqing Li, Gengze Zhou, Hale Yin, Haoqi Yuan, Haoyang Li, Jiahao Li, Jiazhao Zhang, Jingren Zhou, Kaiyuan Gao, Kun Yan, Lihan Jiang, Ningyuan Tang, Pei Lin, Qihang Peng, Shengming Yin, Tianhe Wu, Tianyi Yan, Xiao Xu, Yan Shu, Yanran Zhang, Ye Wang, Yi Wang, Yilei Chen, Yixian Xu, Yiyang Huang, Yuxiang Chen, Zekai Zhang, Zhendong Wang, Zixing Lei, Zhixuan Liang, Zihao Liu, Zikai Zhou, Chenxu Lv, Xiong-Hui Chen, Chenfei Wu

分類: cs.CV

原文アブストラクト

We introduce Qwen-RobotWorld, a language-conditioned video world model for embodied intelligence. With natural language as a unified action interface, it predicts physically grounded future visual trajectories from current observations across robotic manipulation, autonomous driving, indoor navigation, and human-to-robot transfer. This unified formulation provides three promising application directions: synthetic data generation for policy training augmentation, scalable virtual environments for policy evaluation, and language-guided planning signals for downstream robot control. This is achieved through a three-part design: a) Double-Stream MMDiT with MLLM Action Encoding, where a 60-layer double-stream diffusion transformer couples frozen Qwen2.5-VL semantics with video-VAE latents through layer-wise joint attention; b) Embodied World Knowledge (EWK), an 8.6M video-text corpus (200M+ frames) with action-language mapping over 20+ embodiments and 500+ action categories; and c) General+Expert Progressive Curriculum, a two-stage training strategy that first learns general visual priors and then injects embodied specialization under a shared language interface. Extensive results show strong competitiveness: ranks 1st overall on EWMBench and DreamGen Bench, outperforms all open-source models on WorldModelBench and PBench. Additional zero-shot analyses on RoboTwin-IF benchmark further support robust generalization and multi-view consistency.

  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