日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

ワールドモデルarXiv:2608.06332

GeniWorld: 視覚的アクションによるロボット操作のための汎化可能なインタラクティブワールドモデル

GeniWorld: A Generalizable Interactive World Model for Robotic Manipulation via Visual Actions

シェア:XThreadsFacebookLINEはてブBluesky

事前学習済みビデオ生成モデルとURDFベースのレンダリングを組み合わせ、数値アクションを視覚的アクション表現に変換することで、未見環境へのロバストなゼロショット汎化を実現するインタラクティブワールドモデルを提案した。

詳しい要約

1. どんなもの?

GeniWorldは、ロボット操作のためのインタラクティブな世界モデルであり、未見の環境への一般化を目指す。事前学習済みのビデオ生成モデルを基盤とし、URDFベースのレンダリングを用いて数値アクションを視覚的アクション表現に変換することで、空間的に接地されたアクション制御を実現する。運動学と環境ダイナミクスを明示的に分離することで、シーンへの過適合を軽減し、ロボットと環境の相互作用のモデル化を容易にする。閉ループ制御のために、高周波のロボット運動学制御と統合した自己回帰ビデオ予測モデルを構築し、ロボットポリシーと人間のテレオペレータの両方とのインタラクションを可能にする。

2. 先行研究と比べてどこがすごい?

従来のアクション条件付き世界モデルは、アクションの制御性が限定的であり、OODシナリオへの一般化が乏しいという問題があった。GeniWorldは、URDFベースのレンダリングによる視覚的アクション表現を導入することで、アクションの空間的接地を改善し、運動学と環境ダイナミクスの分離によりシーン過適合を緩和する。これにより、限られた固定シーンデータでのトレーニングでも、高いドメイン内性能と、高度にランダム化された未見環境へのロバストなゼロショット一般化を達成する点が優れている。

3. 技術・手法の肝は?

手法の肝は、事前学習済みのビデオ生成モデルを活用し、URDFベースのレンダリングで数値アクションを視覚的アクション表現(例:エンドエフェクタの軌跡を画像上に描画)に変換すること。これにより、アクションが空間的に接地され、モデルが環境ダイナミクスから独立してロボットの運動学を学習できる。さらに、自己回帰ビデオ予測モデルを高周波のロボット運動学制御と統合し、閉ループ制御を実現する。

4. どうやって有効だと検証した?

実験では、限られた固定シーンデータのみでトレーニングした場合でも、ドメイン内性能が優れており、高度にランダム化された未見環境へのゼロショット一般化がロバストであることを示した。下流タスクとして、環境摂動下でも信頼性の高いスケーラブルなポリシー評価器として機能することを検証。さらに、限られた実世界デモンストレーションから、世界モデル内で多様な操作軌跡を生成し、下流ポリシーの性能と複雑環境でのロバスト性を向上させることを示した。

5. 議論はある?

要旨からは、議論の余地や限界についての詳細は不明。ただし、一般化の程度や、実世界での複雑な接触を伴う操作への適用可能性、計算コストなどが潜在的な議論点と考えられるが、要旨には明記されていない。

6. 次に読むべき論文は?

要旨で参照されている関連研究として、事前学習済みのビデオ生成モデル、アクション条件付き世界モデル、URDFベースのレンダリング、自己回帰ビデオ予測モデルなどが挙げられる。具体的な論文名は不明だが、これらの分野の代表的な研究を読むことが推奨される。

※ 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: Chenghao Gu, Hanyang Yu, Jingbo Zhang, Haitao Lin, Wenyao Zhang, Jinghe Wang, Hanglei Jin, Shuzhao Xie, Jingyan Jiang, Zhi Wang

分類: cs.RO

原文アブストラクト

Generalist robot policies exhibit strong capabilities, but their robustness in complex and unseen environments remains limited. Scaling robot learning and evaluation in diverse real-world environments remains costly and challenging. Action-conditioned world models offer a promising alternative, but they often suffer from limited action controllability and poor generalization to out-of-distribution (OOD) scenarios. To this end, we present GeniWorld, an interactive world model for robots that generalizes robustly across unseen scenarios. Building on pretrained video generative models, we use URDF-based rendering to transform numerical actions into visual action representations, enabling spatially grounded action control. By explicitly decoupling embodiment kinematics from environmental dynamics, our model mitigates scene overfitting and facilitates modeling of robot-environment interactions. To achieve closed-loop control, we construct an autoregressive video prediction model integrated with high-frequency robot kinematic control, enabling interaction with both robot policies and human teleoperators. In our experiments, even when trained solely on limited fixed-scene data, our model achieves superior in-domain performance and robust zero-shot generalization to highly randomized, unseen environments. For downstream applications, GeniWorld serves as a scalable policy evaluator that remains reliable under environmental perturbations. Furthermore, even with limited real-world demonstrations, GeniWorld generates diverse manipulation trajectories within the world model, improving downstream policy performance and robustness in complex environments.

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