日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

ロボット基盤モデルarXiv:2607.03941

WSA$_1$: 3D中心の世界・空間・行動モデルによる汎用ロボット制御

WSA$_1$: a 3D-Centric World-Spatial-Action Model for Generalizable Robot Control

シェア:XThreadsFacebookLINEはてブBluesky

ロボット基盤モデルに3D世界の物理ダイナミクスと行動の因果関係を学習させる新しいパラダイムを提案し、少ない実データで高い汎化性能を実現した。

詳しい要約

1. どんなもの?

本論文は、3D中心の世界空間行動モデリングパラダイムに基づく新しいロボット基盤モデル(RFM)であるWSA$_1$を提案している。WSA$_1$は、3D世界を意識した視覚的思考を学習し、3D世界状態遷移とロボット動作の相互制約をモデル化することで、実世界タスクにおける汎化能力を高める。6k時間の専門家デモデータ(うち実ロボットデータは1k時間のみ)で高効率な事前学習を実現し、RoboTwin2.0シミュレーションベンチマークで93%の成功率、実世界ロボット制御タスクで最先端RFMと比較して平均+20%の性能向上を達成した。

2. 先行研究と比べてどこがすごい?

既存のRFMは、大規模なロボットデモからの模倣学習により視覚観察と言語指示を連続的なロボット動作にマッピングする能力を持つが、物理ダイナミクスやロボット行動の3D物理世界への因果効果を推論する固有の能力を欠いている。これにより、2D中心の視覚知覚と3D中心の身体化された相互作用の間に根本的なミスマッチが生じ、実世界タスクでの汎化が制限される。WSA$_1$は、3D中心の世界行動共同モデリングを導入することでこのギャップに対処し、大規模な実ロボットデータなしで汎化可能なRFMを実現できることを示した点が革新的である。

3. 技術・手法の肝は?

WSA$_1$は、3D中心の世界空間行動モデリングパラダイムに基づく。具体的には、3D世界を意識した視覚的思考(3D world-aware visual thought)を学習し、将来のロボット行動を予測する。さらに、3D世界状態遷移とロボット動作の間の相互制約をモデル化することで、行動の汎化を強化する。これにより、2D中心の視覚表現に依存する従来のRFMとは異なり、3D空間での物理的相互作用を考慮した行動生成が可能となる。

4. どうやって有効だと検証した?

RoboTwin2.0シミュレーションベンチマークで93%の成功率を達成し、実世界ロボット制御タスクでは最先端RFMと比較して平均+20%の性能向上を確認した。また、6k時間の専門家デモデータ(うち実ロボットデータは1k時間のみ)で事前学習を行い、データ効率の高さを示した。

5. 議論はある?

要旨からは、WSA$_1$の限界や議論点は明示されていない。ただし、提案手法が大規模な実ロボットデータを必要とせずに汎化可能なRFMを実現できることを示唆しており、これは実用的で手頃な道筋を提供する。しかし、シミュレーションと実世界のギャップや、より複雑なタスクへのスケーラビリティなどについては要旨からは不明である。

6. 次に読むべき論文は?

要旨で参照されている関連研究として、ロボット基盤モデル(RFM)や模倣学習、3D中心の世界モデルに関する研究が挙げられる。具体的には、RoboTwin2.0ベンチマークや、既存のRFM(例えば、RT-2やOctoなど)が関連する。次に読むべき論文としては、これらのRFMの基盤となった研究や、3D世界モデルをロボット制御に応用した研究が考えられる。

※ 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: Jiahao Jiang, Jianing Zhang, Zhenhan Yin, Ruidong Chen, Sen Wang, Zhaoshu Yu, Pengpeng Zeng, Xiaofeng Cao, Xuanhan Wang, Jingkuan Song, Heng Tao Shen

分類: cs.RO

原文アブストラクト

Recent advances in embodied AI have established robot foundation models (RFMs) as the dominant approach for generalist robotic systems to date. By leveraging imitation learning on extensive robot demonstrations, RFMs have achieved impressive capabilities in mapping visual observations and language instructions to continuous robotic actions. However, current RFMs lack an inherent ability to reason about physical dynamics and the causal effects of robot behaviors on the 3D physical world. This creates a fundamental mismatch between 2D-centric visual perception and 3D-centric embodied interaction, severely limiting the generalization ability of RFMs in real-world tasks.To address this gap, we present WSA$_1$, a novel RFM built upon proposed 3D-Centric World-Spatial-Action modeling paradigm. It not only learns 3D world-aware visual thought for future robot behaviors, but also models mutual constraints between 3D world state transitions and robotic actions to enhance behavior generalization. Notably, WSA$_1$ achieves highly data-efficient pre-training with 6k hours of expert demonstration data (only 1k hours from real robot), while delivering competitive manipulation performance (93% success rate) on RoboTwin2.0 simulation benchmark and achieving +20% average boosted performance over state-of-the-art RFMs on real-world robot control tasks. These results reveal that generalizable RFM can be attained without large-scale real robot data when paired with 3D-centric world-action joint modeling, which offers a practical and affordable pathway to generalist robotic systems.

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