ThinkWorld: World Imagination Reinforces Chain-of-Dynamics Reasoning
Abstractの概要
ThinkWorldは、アクション推論を現在の状態から未来の状態へと世界がどのように遷移するかを捉える離散モーション・トークンの系列であるChain-of-Dynamics（CoD）として表現するVision-Language-Actionフレームワークです。本手法は、まずアクションラベル付きのロボットデモおよびアノテーション付きの人間の動作を用いてこの共有モーション・トークン空間を接地し、次にCoDを条件として未来の視覚的特徴を予測します。その後、想像された未来の状態と実際に観察された未来の結果との一致を報酬とすることでサンプリングされたCoDを強化し、これによりアクションラベルのない時系列順の動画からアクション推論を教師あり学習することを可能にします。シミュレーションおよび実ロボット実験を通じて、本論文は人間からロボットへの転移、分布シフトに対する頑健性、および人間のデモからの複合的なスキル獲得を実証しています。
新規性
本論文の主な新規性は、中間のアクション推論を特定のエージェント身体に依存した制御や制約のない潜在アクションではなく、人間とロボットの身体間で共有される世界に接地されたChain-of-Dynamicsトークンとして定式化した点にあります。また、予測された未来と観察された未来の一致を報酬信号とする結果接地型強化学習を導入し、未来予測を訓練時のみに限定しながら、アクションラベルのない動画からの学習を可能にしました。
成果
ThinkWorldはLIBEROで97.3%、LIBERO-PROで55.6%と報告されている中で最高の平均成功率を達成し、特にタスクシフト（31.9%対20.8%）や環境シフト（60.9%対41.0%）においてVLA-JEPAを上回りました。ドメイン内および分布外設定にわたる実ロボット評価ではマクロ成功率94.4%、マイクロ成功率93.3%を達成し、MolmoAct2（マクロ62.2%、マイクロ60.0%）を凌駕しています。実証的分析により、CoDによる条件付けが動的領域における未来予測精度を向上させ、人間の動画データを取り入れることで汎化性能が一貫して向上することが確認されました。
論文の注目点
- ThinkWorldは、人間とロボットのデータ間で共有されるアクション推論インターフェースとして機能する離散モーション・トークン表現「Chain-of-Dynamics」を導入している。
- 想像された未来と観察された未来の世界状態の一致を利用してCoDを強化する学習目標により、明示的な動作アノテーションのないアクションラベル未付与の動画からの学習を可能にしている。
- シミュレーションおよび実世界の分布シフト下で高い汎化性能を示し、人間のデモンストレーションシーケンスに導かれた完全なロボットスキルの構成を可能にしている。
参考リンク
- arXiv: https://arxiv.org/abs/2610.37666v1
- Fugu-MT: https://fugumt.com/fugumt/paper_check/2610.37666v1
- Hugging Face Papers: https://huggingface.co/papers/2610.37666
- Project: https://thinkworld-project.github.io/