世界モデルは成功を夢見る：ロボット世界モデルにおける失敗非感受性の診断と修復

ロボットの world model が成功と失敗を区別できるかを診断し、失敗への鈍感さを修復する手法 CureWM を提案する研究。 - 対象: 2 つの architecture family から公開された 4 つの checkpoint。 - 問題: action 変化への感度が弱く、検証済みの失敗に対しても success-like な予測を出す。 - 目的: architecture や training objective を変えずに、どの data が released checkpoint を修復できるかを探る。

先行研究は failure を training に取り込むが、released checkpoint を architecture や training objective を変えずに修復する data の検討は不十分。 - 本研究は execution-verified な counterfactual replay による post-hoc repair を提案。 - 同一の開始 context から制御された action contrast を作れる点が特徴。 - 単なる optimism 低減ではなく success-failure discrimination と併せて評価すべきと示す。

CureWM は成功 demonstration から severity grid 上で alternative action を生成し、simulation または hardware で実行して outcome を検証する。 - 得られた failures と surviving successes を nominal demonstrations と共に released model へ fine-tune。 - これにより共有開始 context からの制御された action contrast を提供。 - architecture や training objective は変更しない。

484 の held-out LIBERO failure counterfactuals で評価。 - 公式 data で fine-tune 後の optimism 80% が、独立に fine-tune した 4 つの CureWM で 30–43%（平均 38%）に低下。 - 物理ロボットアームでの 2 評価で、successful demonstrations のみの fine-tune では latent-distance diagnostic で success-like とされた failure 予測が 90% だったが、CureWM では 33% に減少。 - task あたり failure 数、successful replay data、training budget を揃えた比較で、counterfactual failures は success-failure value gap 0.124、新規収集の on-policy failures は 0.014。

execution-verified counterfactual replay が post-hoc repair に有効であることを支持。 - optimism の低減だけでなく success-failure discrimination と併せて評価する必要性を強調。 - 限界や一般化可能性、他 architecture への適用性などは要旨からは不明。

要旨で参照/比較されている研究として、failure を training に取り込む recent work、LIBERO failure counterfactuals、latent-distance diagnostic、on-policy failures が挙げられる。 - 関連手法として robot world models、policy evaluation、planning、synthetic data generation の文献を読むべき。 - 具体的な論文名は要旨からは不明。