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arXiv:2607.19343

マスク視覚アクションによる統一世界モデリング

Masked Visual Actions for Unified World Modeling

シェア:XThreadsFacebookLINEはてブBluesky

ロボットの行動をビデオのピクセル空間で表現する新しいインターフェースを導入し、少量のデータで学習したモデルが将来予測や逆モデリングを実現する。

詳しい要約

1. どんなもの?

本論文は、ロボットの世界モデルを構築するための新しい制御インターフェースであるMasked Visual Actionsを提案する。これは、ビデオ内の任意のエンティティの軌道を部分的にマスクして提示することで、アクションをピクセル空間で表現する。ロボットの動作を明示すると前方動力学モデルとして機能し、物体の所望の動きを明示すると逆モデルとして機能する。単一のチェックポイントが多様なシーンと複数の embodiment に対して高い視覚的忠実度と制御可能性を達成する。

2. 先行研究と比べてどこがすごい?

従来の世界モデルは、アクションを低次元のベクトルや離散的なコマンドとして表現することが多く、視覚的な事前知識を活用しにくかった。本手法は、アクションをビデオのピクセル空間で表現することで、大規模なビデオ事前学習から得られた相互作用の事前知識を直接活用できる点が新しい。また、単一のモデルで前方モデルと逆モデルの両方をサポートし、わずか15時間のマスクされた例のファインチューニングで実現している点が優れている。

3. 技術・手法の肝は?

手法の核心は、アクションをビデオ内のエンティティの軌道の部分的な可視化として表現することである。具体的には、ロボットの動作を明示するか、物体の所望の動きを明示するかによって、モデルが前方予測または逆予測を行う。モデルはビデオ生成モデルをベースとし、マスクされたビデオフレームを入力として、欠落した部分を生成するように学習する。ファインチューニングは、実ビデオとシミュレーションからの15時間のマスクされた例を用いて行われる。

4. どうやって有効だと検証した?

有効性は、多様なシーンと複数の embodiment に対する視覚的忠実度と制御可能性の評価に加え、下流の操作タスクで検証された。具体的には、生成された想像上のロールアウトが実世界の実行結果と相関するか(ポリシー評価)、モデルベースプランニングで候補未来をランク付けして意思決定を改善するか、逆モデリングで所望の物体動作からロボット動作を合成できるかを評価した。

5. 議論はある?

要旨からは、提案手法の限界や潜在的な問題についての議論は明示されていない。ただし、マスクされた例の量が15時間と比較的少ないことから、スケーラビリティや一般化の限界が考えられるが、要旨では不明。また、実世界の実行との相関は示されているが、因果性や安全性に関する議論はない。

6. 次に読むべき論文は?

要旨で参照されている関連研究は明示されていないが、ビデオ生成モデルや世界モデルに関する研究が関連する。具体的には、大規模ビデオ事前学習モデル(例:VideoGPT, VideoMAE)や、ロボットの世界モデル(例:Dreamer, TD-MPC)などが挙げられる。また、アクション表現の研究(例:Language-conditioned policies)も関連する。

※ 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: Hadi Alzayer, Wenlong Huang, Haonan Chen, Christopher Luey, Lvmin Zhang, Maneesh Agrawala, Gordon Wetzstein, Li Fei-Fei, Yilun Du, Jiajun Wu, Jia-Bin Huang

分類: cs.CV, cs.RO

原文アブストラクト

Video models absorb rich priors over how the visual world moves, interacts, and responds to contact, making them promising substrates for robotic world modeling. The central challenge is how to communicate action to such models in a form aligned with the visual space in which they learned these interaction priors, yet still grounded in physical manipulation. We introduce Masked Visual Actions, a pixel-space control interface that expresses action as a partially revealed trajectory of an arbitrary entity in a video. Revealing robot motion makes the model act as a forward dynamics model that predicts the scene's response to low-level robot actions, while revealing desired object motion makes the same model recover robot behavior consistent with that outcome. Finetuned with only 15 hours of masked examples from real videos and simulation, a single checkpoint achieves strong visual fidelity and controllability across diverse scenes and multiple embodiments. In downstream manipulation settings, the model produces imagined rollouts whose outcomes correlate with real-world execution for policy evaluation, improves decision making by ranking candidate futures in model-based planning, and supports inverse modeling by synthesizing robot motion from desired object motion.

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

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI