日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

ヒューマノイドarXiv:2608.06375

ω-0: 人間型ロボットの同時移動操作のための潜在予測世界行動モデル

$\omega$-0: A Latent Predictive World Action Model for Concurrent Humanoid Loco-Manipulation

シェア:XThreadsFacebookLINEはてブBluesky

言語指示と視覚・状態入力から、移動と操作を同時に行う全身行動を直接予測する世界行動モデルを提案し、実機で11種類の家庭タスクを達成した。

詳しい要約

1. どんなもの?

本論文は、実世界のヒューマノイドロボットによる同時移動操作(concurrent loco-manipulation)を実現するための、潜在予測型の全身ワールドアクションモデル「ω-0」を提案している。言語指示、現在の視覚観測、ロボットのプロプリオセプティブ状態を入力とし、コントローラ互換の全身アクション潜在変数を直接予測して実機実行を行う。将来のビデオを再構成する代わりに、コンパクトな将来観測埋め込みを軽量な予測目的として学習し、潜在的な視覚的予測と拡散ベースの全身アクション生成を結合する。また、実世界の家庭用ヒューマノイドデータセット「ω-HOME」を収集し、11種類の家庭タスクで有効性を検証している。

2. 先行研究と比べてどこがすごい?

既存のヒューマノイドポリシーは通常、移動と操作を分離して扱うが、ω-0はこれらを同時に扱う統合モデルである。また、最近のワールドアクションモデルはアーム中心またはビデオ中心であるのに対し、ω-0は全身のアクション潜在変数を直接予測し、将来ビデオの再構成を必要としない点が新しい。さらに、人間や公開の視覚・動作プリエを、コントローラベースのシミュレーションリプレイを用いてロボット実行可能なアクション潜在変数に接地する点も独自性がある。

3. 技術・手法の肝は?

手法の核は、将来の観測埋め込みを潜在空間で予測する軽量な予測目的と、拡散ベースの全身アクション生成を結合することにある。具体的には、視覚観測(egocentric RGB、exocentric RGB、exocentric depth)とプロプリオセプションを入力とし、将来の観測埋め込みを予測する。この予測はビデオ再構成を避け、計算効率を高める。アクション生成は拡散モデルを用いて全身のアクション潜在変数を生成し、コントローラ互換の形式で出力する。また、コントローラベースのシミュレーションリプレイを利用して、人間や公開の視覚・動作プリエをロボット実行可能なアクション潜在変数に接地する。

4. どうやって有効だと検証した?

実世界の11種類の家庭タスクで実験を行い、単一のω-0モデルが滑らかな「操作しながら移動する」行動を生成できることを示した。また、代表的な模倣学習(imitation learning)、VLA、ヒューマノイド、WAMのベースラインと比較し、一貫して優れた性能を達成した。さらに、40時間以上の実世界家庭用ヒューマノイドデータセット「ω-HOME」を収集し、同期されたマルチビュー観測、全身SMPLモーション、ロボット状態、アクション潜在変数を含むことを報告している。

5. 議論はある?

要旨からは、提案手法の限界や議論点は明示されていない。ただし、潜在予測を用いることでビデオ再構成を避ける利点がある一方、将来の観測埋め込みの予測がどの程度の精度で行動生成に寄与するか、また、データセットの規模や多様性が一般化に与える影響などが議論の余地として考えられるが、要旨には記載がない。

6. 次に読むべき論文は?

要旨で参照・比較されている研究として、模倣学習(imitation learning)、VLA(Vision-Language-Action model)、ヒューマノイドポリシー、WAM(World-Action Model)が挙げられる。次に読むべき論文としては、これらのベースライン手法の詳細を報告した論文が適切である。具体的には、VLAモデルの代表例であるRT-2や、ヒューマノイドの全身制御に関する論文、WAMの概念を提案した論文などが考えられるが、要旨に明記されていないため、一般名で示す。

※ 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: Zhe Li, Zhenzhe Zhang, Yangyang Wei, Wenjie Zhang, Xichen Yuan, Peiyuan Zhi, Gen Li, Xinying Guo, Fengjie Gao, Jianfei Yang, Shanghang Zhang

分類: cs.RO

原文アブストラクト

Humanoid household tasks often require concurrent loco-manipulation, where the robot must move, adjust posture, maintain balance, and manipulate objects as a single coordinated behavior. Yet existing humanoid policies typically decompose locomotion and manipulation, while recent world-action models remain either arm-centric or video-centered. We present $\omega$-0, a latent predictive whole-body world-action model for real-world humanoid concurrent loco-manipulation. Given a language instruction, current visual observation, and robot proprioceptive state, $\omega$-0 directly predicts controller-compatible whole-body action latents for real-robot execution. Rather than reconstructing future videos, $\omega$-0 learns compact future observation embeddings as a lightweight predictive objective, coupling latent visual foresight with diffusion-based whole-body action generation. The model supports egocentric RGB, exocentric RGB, and exocentric depth inputs, and leverages controller-based simulation replay to ground human/public visual-motion priors into robot-executable action latents. We further collect $\omega$-HOME, a 40+ hour real-world household humanoid dataset with synchronized multi-view observations, whole-body SMPL motions, robot states, and action latents. Real-world experiments on 11 household tasks demonstrate that a single $\omega$-0 model can produce smooth manipulate-while-moving behaviors and consistently outperform representative imitation learning, VLA, humanoid, and WAM baselines.

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