論文の概要: WestWorld: A Knowledge-Encoded Scalable Trajectory World Model for Diverse Robotic Systems

• arxiv url: http://arxiv.org/abs/2603.14392v1
• Date: Sun, 15 Mar 2026 14:12:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.788387
• Title: WestWorld: A Knowledge-Encoded Scalable Trajectory World Model for Diverse Robotic Systems
• Title（参考訳）: WestWorld: 多様なロボットシステムのための知識符号化されたスケーラブルな軌道世界モデル
• Authors: Yuchen Wang, Jiangtao Kong, Sizhe Wei, Xiaochang Li, Haohong Lin, Hongjue Zhao, Tianyi Zhou, Lu Gan, Huajie Shao,
• Abstract要約: 軌道世界モデルは、ロボット力学の学習、計画、制御において重要な役割を果たす。 多様なロボットシステムのためのknoWledge-Encoded Scalable Trajectory WorldモデルであるWestWorldを紹介する。 WestWorldは、ゼロおよび少数ショットの軌道予測において、競争ベースラインよりも大幅に改善されている。
• 参考スコア（独自算出の注目度）: 30.47929124291285
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Trajectory world models play a crucial role in robotic dynamics learning, planning, and control. While recent works have explored trajectory world models for diverse robotic systems, they struggle to scale to a large number of distinct system dynamics and overlook domain knowledge of physical structures. To address these limitations, we introduce WestWorld, a knoWledge-Encoded Scalable Trajectory World model for diverse robotic systems. To tackle the scalability challenge, we propose a novel system-aware Mixture-of-Experts (Sys-MoE) that dynamically combines and routes specialized experts for different robotic systems via a learnable system embedding. To further enhance zero-shot generalization, we incorporate domain knowledge of robot physical structures by introducing a structural embedding that aligns trajectory representations with morphological information. After pretraining on 89 complex environments spanning diverse morphologies across both simulation and real-world settings, WestWorld achieves significant improvements over competitive baselines in zero- and few-shot trajectory prediction. Additionally, it shows strong scalability across a wide range of robotic environments and significantly improves performance on downstream model-based control for different robots. Finally, we deploy our model on a real-world Unitree Go1, where it demonstrates stable locomotion performance (see our demo on the website: https://westworldrobot.github.io/). The code will be available upon publication.
• Abstract（参考訳）: 軌道世界モデルは、ロボット力学の学習、計画、制御において重要な役割を果たす。 近年の研究では、多様なロボットシステムのための軌道的世界モデルについて検討されているが、多くの異なるシステムダイナミクスにスケールすることは困難であり、物理的構造に関するドメイン知識を見落としている。 これらの制約に対処するため,多様なロボットシステムのためのknoWledge-Encoded Scalable Trajectory WorldモデルであるWestWorldを紹介した。 このスケーラビリティの課題に対処するために,学習可能なシステム埋め込みを通じて,異なるロボットシステムの専門家を動的に組み合わせ,ルートする,システム対応のMixture-of-Experts(Sys-MoE)を提案する。 ゼロショットの一般化をさらに強化するために、軌道表現と形態情報とを整合させる構造埋め込みを導入することにより、ロボットの物理的構造のドメイン知識を取り入れた。 シミュレーションと実世界の両方の環境にまたがる89の複雑な環境を事前訓練した後、WestWorldはゼロショットと少数ショットの軌道予測において、競争ベースラインよりも大幅に改善されている。 さらに、幅広いロボット環境における強力なスケーラビリティを示し、異なるロボットに対する下流モデルベース制御の性能を大幅に向上させる。 最後に、我々のモデルを実際のUnitree Go1にデプロイし、安定したロコモーションパフォーマンスを示す(Webサイト(リンク)でのデモ(リンク)を参照)。 コードは公開時に公開されます。

関連論文リスト

• GR00T N1: An Open Foundation Model for Generalist Humanoid Robots [133.23509142762356]
  汎用ロボットには多目的体と知的な心が必要だ。 近年のヒューマノイドロボットの進歩は、汎用的な自律性を構築するためのハードウェアプラットフォームとして大きな可能性を秘めている。 我々はヒューマノイドロボットのオープン基盤モデルであるGR00T N1を紹介する。
  論文  参考訳（メタデータ） (2025-03-18T21:06:21Z)
• Robotic World Model: A Neural Network Simulator for Robust Policy Optimization in Robotics [50.191655141020505]
  この研究は、長期水平予測、エラー蓄積、およびsim-to-real転送の課題に対処することで、モデルに基づく強化学習を前進させる。 スケーラブルでロバストなフレームワークを提供することで、現実のアプリケーションにおいて適応的で効率的なロボットシステムを実現することができる。
  論文  参考訳（メタデータ） (2025-01-17T10:39:09Z)
• Prompt a Robot to Walk with Large Language Models [18.214609570837403]
  巨大な言語モデル(LLM)は、大規模なインターネットスケールのデータで事前訓練されている。 物理的環境から収集した数発のプロンプトを使用する新しいパラダイムを導入する。 様々なロボットと環境をまたいだ実験により、我々の手法がロボットに歩行を効果的に促すことが検証された。
  論文  参考訳（メタデータ） (2023-09-18T17:50:17Z)
• Real-World Humanoid Locomotion with Reinforcement Learning [92.85934954371099]
  実世界におけるヒューマノイド移動に対する完全学習型アプローチを提案する。 コントローラーは様々な屋外の地形の上を歩けるし、外乱に対して頑丈で、状況に応じて適応できる。
  論文  参考訳（メタデータ） (2023-03-06T18:59:09Z)
• RT-1: Robotics Transformer for Real-World Control at Scale [98.09428483862165]
  我々は,有望なスケーラブルなモデル特性を示す,ロボティクストランスフォーマーと呼ばれるモデルクラスを提示する。 実世界の課題を遂行する実ロボットの大規模データ収集に基づいて,様々なモデルクラスと,データサイズ,モデルサイズ,データの多様性の関数として一般化する能力について検証した。
  論文  参考訳（メタデータ） (2022-12-13T18:55:15Z)
• RoboCraft: Learning to See, Simulate, and Shape Elasto-Plastic Objects with Graph Networks [32.00371492516123]
  弾塑性物体のモデリングと操作のためのモデルベース計画フレームワークを提案する。 我々のシステムであるRoboCraftは、グラフニューラルネットワーク(GNN)を用いて粒子ベースの力学モデルを学び、基礎となるシステムの構造を捉える。 実世界のロボットインタラクションデータの10分で、ロボットは制御信号を合成し、弾塑性の物体を様々な形状に変形させるダイナミックスモデルを学習できることを示す。
  論文  参考訳（メタデータ） (2022-05-05T20:28:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。