ロボティクスとフィジカルAIの最新論文と、それぞれが産業にもたらす意味。
智元機器人（AgiBot）とエヌビディアの研究者はプレプリントで、実機ロボットが実際に行った動作をそのまま世界モデルに入力し、予測映像がつかみ損ねや水こぼれまで現実と一致するかを確かめるベンチマークを公開した。試験した7モデルはいずれも長時間の予測で精度が落ち、アームの動きを最もよく再現したモデルでも物理的な結果はしばしば外れた。
本論文はプレプリントである。DeltaWorldは、ロボット操作映像の将来予測において、次の潜在状態全体ではなく動作が引き起こす潜在変化を予測するDelta-LTMと、ロボットと物体の相互作用領域を強調するInteraction-aware Latent Alignmentを導入した世界シミュレータである。独自収集のクロスロボットデータセットでIWS比FVDを46.6%、LPIPSを31.1%削減し、長距離の動作条件付き映像予測の一貫性を改善した。
ロボット動画生成モデルが、テキストで指定された質量や粘性など外見から判断できない物理特性を無視する問題を測るベンチマークPhysicsLENSを開発した。本論文はプレプリントであり、査読済み採録は明記されていない。同一フレームとタスクで物性記述だけを変えたマッチドシナリオを用意し、4モデル439本の動画を人で評価した結果、物理的に妥当に見える47本中34本が指定特性に従っていなかった。自動評価器は妥当性AUC 0.72、タスク完了AUC 0.81を達成したが、隠れた特性の判定は難しいと報告した。
ロボット企業のMagicLabは、行動を選びながら3次元シーンがどう動き、行動後にどうなるべきかを同時に予測する34億パラメーターのロボットモデルMagic-W0をプレプリントで公開した。10月3日の改訂版ではRoboDojo-Simの順位表で平均36.75点の首位に立ったが2位との差は0.48点にとどまり、実機5タスクではPhysical Intelligenceのπ0.5を94.6%対91.8%で上回った。
本論文はarXivで公開されたプレプリントである。Social-WMは自我中心RGB動画から潜在世界モデルを学習し、名目行動と実際に実現可能な行動の乖離を安全信号として計画する。Social-HM3Dで成功率63.77%、人間衝突率21.67%を達成し、既存のNavThinkerと比べて人間衝突を44.6%削減した。Social-MP3Dへのゼロショット転移でも成功率54.15%、人間衝突率23.34%を報告した。
RoboCoachは、世界モデル内で長いタスクを模擬実行し、最初に失敗する部分作業と対応技能専門家を特定して追加実演を要求する枠組みである。このプレプリントでは、2つのシミュレーション環境と2台の実機で評価し、実機では150件の部分作業実演を追加するだけでFrankaの成功率を13.3%から75.0%に、AgileXを40.0%から83.8%に改善したと報告している。さらに、更新した専門家は未学習の4つの構成タスクで平均35.0%の成功率を示し、均一取得の共有方策ベースラインの0%を上回った。
A video world model trained on robot egocentric footage predicts outcomes of actions for evaluation and planning.
論文は arXiv のロボティクス分野から取得しています。当社の要約が未作成の場合は、要旨の冒頭を表示します。