マニピュレーション2026/11/1arXiv:2611.01600

遮蔽環境下での物体中心ワールドモデル計画フレームワークSCOUT

SCOUT: Planning under Occlusion via Object-Centric World Model Rollouts

物体中心表現で隠れた形状を再構成し、LLMが提案する行動候補を学習済みワールドモデルとMCTSで評価することで、遮蔽の多い環境でのロボット操作計画を実現した。

詳しい要約

1. どんなもの？

- 混雑環境で対象物が前景に隠れる状況でのロボット操作計画フレームワーク「SCOUT」 - 部分的観測から隠れた制約を扱う occlusion-aware planning - 高レベル推論と物理的に接地した rollout を橋渡しする構成 - object-centric な scene representation を用いる - 'Reveal' と 'Placement' タスクを対象とする

2. 先行研究と比べてどこがすごい？

- 反応型 policy は隠れた制約を見落とし、網羅探索は密な clutter で計算困難 - VLA (Vision-Language-Action) policies を上回ると報告 - embodied agents や 3D world models も比較対象として上回る - 隠れた geometry の推論を要する long-horizon タスクで特に大きな改善 - 実機の混雑した shelf 環境でも頑健性を検証

3. 技術・手法の肝は？

- object-centric scene representation で隠れた geometry を再構成 - blocker hierarchies と accessibility corridors を表す relational planning state を導出 - LLM が構造化された action candidates を提案し広大な行動空間を絞る - 学習済み action-conditioned world model 上で MCTS (Monte Carlo Tree Search) により候補を厳密評価 - 高レベル deliberation と grounded physical rollouts を統合

4. どうやって有効だと検証した？

- 'Reveal' と 'Placement' タスクで評価 - VLA policies、embodied agents、3D world models と比較し優位を確認 - 隠れた geometry の推論を要する long-horizon タスクで顕著な改善を報告 - 実世界の混雑した shelf 環境でのロボットマニピュレーションにより頑健性を検証

5. 議論はある？

- 要旨からは不明 - 想定される論点として occlusion 下の再構成精度や world model の誤差蓄積、LLM 候補依存性、MCTS の計算コストが考えられるが本文に基づく記述はない

6. 次に読むべき論文は？

- Vision-Language-Action (VLA) policies 関連研究 - embodied agents 関連研究 - 3D world models 関連研究 - action-conditioned world model と MCTS を組み合わせた planning 研究 - object-centric scene representation を用いたロボット操作研究

※ 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: Amir Hossain Raj, Xuesu Xiao

分類: cs.RO, cs.AI, cs.CV

原文アブストラクト

Robots manipulating in cluttered spaces must often plan from partial views where foreground objects occlude the target, surrounding geometry, and usable free space. Reactive policies often miss these hidden constraints, while exhaustive search becomes computationally prohibitive in dense clutter. We present SCOUT, an occlusion-aware planning framework that bridges high-level deliberation with grounded physical rollouts. SCOUT leverages an object-centric scene representation to reconstruct hidden geometry and derive a relational planning state capturing blocker hierarchies and accessibility corridors. To navigate the vast action space in clutter, an LLM proposes structured action candidates which are then rigorously evaluated via Monte Carlo Tree Search (MCTS) using a learned action-conditioned world model. Evaluations on 'Reveal' and 'Placement' tasks show that SCOUT outperforms Vision-Language-Action (VLA) policies, embodied agents, and 3D world models, with significant gains in long-horizon tasks requiring reasoning over occluded geometry. We further validate the framework's robustness through real-world robotic manipulation in a cluttered shelf environment.

arXivで原文を読む →arXiv概要ページ

遮蔽環境下での物体中心ワールドモデル計画フレームワークSCOUT

詳しい要約

1. どんなもの？

2. 先行研究と比べてどこがすごい？

3. 技術・手法の肝は？

4. どうやって有効だと検証した？

5. 議論はある？

6. 次に読むべき論文は？

原文アブストラクト

関連論文

今週よく読まれている記事

FRONTIER（GPU搭載BTOパソコン）

双腕モバイルマニピュレーター OpenShell