RoboWorM：身体性ビデオ世界モデルにおける運動のリアリズム・一貫性・加速効果の評価

- Video World Models (VWMs) をロボットマニピュレーション向けの neural simulator として評価する、deployment-aware なベンチマーク RoboWorM を提案する研究。 - 単腕・bimanual・humanoid の形態にわたり、Markovian および long-horizon non-Markovian タスクを single-view / multi-view 設定で収録した 1,605 episodes から構成される。 - 評価は open-world な video generator としてではなく、robot kinematic trees や固定 camera 配置といった hardware priors を活用し、構造的・時空間的忠実度を測る点に特徴がある。

- 既存の多くのベンチマークは VWM を open-world video generator として評価し、厳密な 3D 空間・kinematic 推論を欠く Vision-Language Models (VLMs) を用いていた。 - RoboWorM は hardware priors（robot kinematic trees、固定 camera 配置）を活用し、VLM に依存しない決定論的指標を導入する点が新しい。 - KIVA は hallucination detection の human annotations との一致を最強の frontier VLMs 比で 25.8% 相対改善し、RIGIS は human preferences との Spearman correlation を 130% 高める。

- 既知の hardware priors（robot kinematic trees、固定 camera 配置）を利用して構造的・時空間的忠実度を体系的に検査する benchmark 設計。 - 物理的一貫性を明示的に測るため、VLM-free で決定論的な 2 指標を提案：intra-view kinematic stability を測る KIVA と、multi-view geometric consistency を測る RIGIS。 - これらはロボットに内在する invariants を活用し、生成 rollouts の物理制約違反を検出する。

- 1,605 episodes（単腕・bimanual・humanoid、Markovian / long-horizon non-Markovian、single-/multi-view）でベンチマークを構築。 - KIVA は hallucination detection において human annotations との一致を frontier VLMs 比 25.8% 相対改善、RIGIS は human preferences との Spearman correlation が 130% 高いことを示した。 - 3 つの leading world models に対し 9 つの state-of-the-art acceleration 手法を適用し、29,000 以上の生成 rollouts を大規模に監査。指標を用いて最大 2.3× の inference speed-up を最小の品質損失で達成。

- 加速手法は表面的な視覚品質を保ちつつ、deployment-critical な物理制約を静かに損なう可能性があることを大規模監査で示唆。 - 実世界展開には低 inference latency が必須であり、quality-efficiency trade-off の評価が重要であると議論。 - 具体的な限界や失敗事例の詳細は要旨からは不明。

- 要旨で比較対象として挙げられている frontier VLMs を用いた video world model 評価研究。 - 評価対象の 3 つの leading world models および 9 つの state-of-the-art acceleration 手法に関する論文。 - 関連指標として KIVA / RIGIS の詳細、および robot kinematic trees を活用した物理一貫性評価の先行研究。