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/強化学習arXiv:2607.16602

PAVXploreRL: 行動探索を伴う物理・行動・視覚の世界モデル強化学習

PAVXploreRL: Physical-Action-Visual World Model Reinforcement Learning with Action Exploration

シェア:XThreadsFacebookLINEはてブBluesky

事前学習済みの潜在世界モデルに強化学習を適用し、物理的妥当性・行動追従性・視覚的忠実性を明示的に最適化することで、専門家データ外の行動への汎化を改善する手法を提案した。

詳しい要約

1. どんなもの?

PAVXploreRLは、身体化AIのためのaction-conditioned world modelを強化学習(RL)で訓練するフレームワーク。Physical Plausibility (P)、Action Adherence (A)、Visual Fidelity (V)の3つの目標(PAV)を明示的に最適化し、in-distribution (ID)の専門家デモとout-of-distribution (OOD)のアクションの両方に対してロバストなモデルを学習する。

2. 先行研究と比べてどこがすごい?

既存手法はIDのaction-videoペアとピクセルレベルの再構成損失に依存し、PAV目標を明示的に最適化せず、専門家データを超えた一般化が乏しい。PAVXploreRLは、事前学習済みの潜在world model上で報酬駆動のRLを用いてPAV目標を直接最適化し、さらにID軌道とノイズ駆動のOODアクション探索を組み合わせることで、ペアのビデオ監視なしにアクション一般化を改善する点が新しい。

3. 技術・手法の肝は?

手法の核は、事前学習済みの潜在world modelをRLで微調整すること。PAV目標を報酬として設計し、RLエージェントがアクションを探索しながらモデルを更新する。具体的には、ID軌道とノイズによるOODアクション探索を併用し、ペアのビデオ監視なしでアクション一般化を向上させる。

4. どうやって有効だと検証した?

ベンチマークで事前学習ベースラインを一貫して上回り、平均5.6%の改善を達成。また、生成されるPAV特性の品質が高いことを確認。ポリシー評価器としても、より信頼性の高い性能推定を提供し、Ctrl-Worldなどの専門家のみのworld modelの過大評価バイアスを低減することを示した。

5. 議論はある?

要旨からは、OODアクション探索の具体的な方法や、PAV報酬の設計詳細、計算コスト、限界などは不明。また、実験の具体的なベンチマークや比較対象の詳細も要旨には含まれていない。

6. 次に読むべき論文は?

要旨で参照されているCtrl-World、および関連するaction-conditioned world modelの研究。具体的には、World Models、Dreamer、IRISなどの潜在world modelを用いたRL手法が関連する。

※ 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: Han Wang, Zijun Wang, Shuoshuo Xue, Rui Cao, Fengjiao Cheng, Xiaodan Liang, Roy Ka-Wei Lee

分類: cs.CV

原文アブストラクト

Action-conditioned world models are a key component of embodied AI, serving as scalable policy evaluators that reduce reliance on expensive real-world rollouts. To accurately capture diverse action-induced dynamics, such models should satisfy three key objectives-Physical Plausibility (P), Action Adherence (A), and Visual Fidelity (V), collectively referred to as PAV-while remaining robust to both in-distribution (ID) expert demonstrations and out-of-distribution (OOD) actions. However, existing methods primarily rely on ID action-video pairs and pixel-level reconstruction losses, which do not explicitly optimize PAV objectives and generalize poorly beyond expert data. To address this, we propose PAVXploreRL, a reinforcement learning framework built on a pretrained latent world model that explicitly optimizes PAV objectives through reward-driven training. To improve action generalization, our method jointly leverages ID trajectories and noise-driven OOD action exploration, without paired video supervision. Experiments show that PAVXploreRL consistently outperforms pretrained baselines, achieving a 5.6% average gain across benchmarks and producing higher-quality PAV properties. As a policy evaluator, it also yields more reliable performance estimates and reduces the overestimation bias of prior expert-only world models such as Ctrl-World. Code: https://github.com/Social-AI-Studio/PAVXploreRL

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