日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

動画予測arXiv:2608.28491

AcrossVAM1.0: テキスト支援ロボット動画予測のための粒子世界モデリング

AcrossVAM1.0: Particle World Modeling for Text-Assisted Robot Video Prediction

シェア:XThreadsFacebookLINEはてブBluesky

ロボットの将来フレーム予測を、物体中心の動きと高周波の外観に分解し、軽量なTransformerと粒子表現で実現するモデルを提案した。

詳しい要約

1. どんなもの?

AcrossVAM1.0は、テキスト支援によるロボット動画予測のための軽量なビデオアクションモデルである。将来のフレーム予測をオブジェクト中心の動きと高周波の外観に分解し、凍結されたSAM3-DLPコーデックを用いて4つのコンテキストフレームをロボット、アーム、グリッパーのセマンティックパーティクルと背景潜在変数に分解する。0.28Mパラメータの時空間Transformerがパーティクルの同一性を整列させ、状態を前進させ、凍結されたOpenCLIPの指示埋め込みによってFiLM変調を受ける。因果的なデュアルストリームデコーダは、パーティクルレンダリングによる動きと、最後の観測フレームのみからエンコードされた外観を組み合わせ、残差リファイナと学習された配信マスクを用いて5つの将来フレームを生成する。

2. 先行研究と比べてどこがすごい?

従来のモノリシックなピクセルモデルは、動きの推論と高周波外観の保存を絡め合わせ、強いラストフレームベースラインの背後に進歩を隠してしまう。AcrossVAM1.0は、動きと外観を明示的に分離し、軽量なパーティクルダイナミクスを導入することで、この問題に対処している。また、テキスト指示を利用して動きを変調する点も新しい。

3. 技術・手法の肝は?

手法の核は、凍結されたSAM3-DLPコーデックによるパーティクル分解、0.28Mパラメータの時空間Transformerによるパーティクル状態の前進、凍結OpenCLIPの指示埋め込みによるFiLM変調、そして因果的デュアルストリームデコーダによる動きと外観の合成である。外観は最後の観測フレームのみからエンコードされ、残差リファイナと学習された配信マスクが将来フレームを生成する。

4. どうやって有効だと検証した?

VRSベンチマーク(多様な実ロボット軌跡から構築)で検証した。パーティクルダイナミクスにより軌跡誤差が持続予測と比較して21.0%減少した。3つの配信マスクシードで、将来フレームのPSNR/SSIMが19.97/0.796から20.573/0.8004に改善し、生のパーティクル生成は動き領域のPSNRを11.89から13.23に改善した。また、オラクル、ネガティブコントロール、マルチシード、ロボットごとの分析も行った。

5. 議論はある?

配信されたモデルはLPIPSで持続予測を上回っておらず、正しい言語とシャッフルされた言語での軌跡誤差の差はわずか2.8〜3.1%である。これらの限界から、ロバストな言語接地と外観配信が主要な未解決課題であることが示唆される。

6. 次に読むべき論文は?

要旨で参照されている研究は明示されていないが、関連手法としてSAM3-DLP、OpenCLIP、およびビデオ予測におけるパーティクルベースの手法が挙げられる。次に読むべき論文としては、これらの基盤技術に関する論文が考えられる。

※ 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: Yafei Zhang, Nan Wu

分類: cs.AI, cs.RO

原文アブストラクト

Predicting robot videos requires both precise motion reasoning and preservation of high-frequency appearance, yet monolithic pixel models entangle these objectives and often conceal their progress behind a strong last-frame baseline. We present AcrossVAM1.0, a lightweight, text-assisted video action model that factorizes future prediction into object-centric motion and dense appearance. A frozen SAM3-DLP codec decomposes four context frames into semantic particles for the robot, arm, and gripper, together with a background latent. A 0.28M-parameter spatio-temporal Transformer aligns particle identities, rolls their states forward, and is modulated by a frozen OpenCLIP instruction embedding through FiLM. A causal dual-stream decoder combines particle-rendered motion with appearance encoded exclusively from the last observed frame; a residual refiner and learned delivery mask produce five future frames without access to future appearance. On our VRS benchmark constructed from diverse real-robot trajectories, particle dynamics reduce trajectory error by 21.0\% over persistence. Across three delivery-mask seeds, AcrossVAM1.0 improves future-frame PSNR/SSIM from 19.97/0.796 to 20.573/0.8004, while raw particle generation improves motion-region PSNR from 11.89 to 13.23. The delivered model does not yet beat persistence in LPIPS, and correct-versus- shuffled language changes trajectory error by only 2.8--3.1%. We report these limitations alongside oracle, negative-control, multi-seed, and per-robot analyses. The results show that explicit particle dynamics are a promising low-dimensional interface for robot video prediction, while robust language grounding and appearance delivery remain the principal open challenges.

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