論文の概要: PhysBrain 1.0 Technical Report

• arxiv url: http://arxiv.org/abs/2605.15298v1
• Date: Thu, 14 May 2026 18:11:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 17:44:16.268854
• Title: PhysBrain 1.0 Technical Report
• Title（参考訳）: PhysBrain 1.0テクニカルレポート
• Authors: Shijie Lian, Bin Yu, Xiaopeng Lin, Changti Wu, Hang Yuan, Xiaolin Hu, Zhaolong Shen, Yuzhuo Miao, Haishan Liu, Yuxuan Tian, Yukun Shi, Cong Huang, Kai Chen,
• Abstract要約: PhysBrain 1.0は、ロボットが適応する前に、大規模な人間中心の動画を構造化されたコモンセンスの監視に変換する。 データエンジンはシーン要素、空間力学、アクション実行、奥行き認識関係を抽出する。 以上の結果から,人間のインタラクションビデオから物理コモンセンスをスケールすることで,マルチモーダル理解からロボット行動への効果的な橋渡しが可能になることが示唆された。
• 参考スコア（独自算出の注目度）: 31.13440306363037
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-language-action models have advanced rapidly, but robot trajectories alone provide limited coverage for learning broad physical understanding. PhysBrain 1.0 studies a complementary route: converting large-scale human egocentric video into structured physical commonsense supervision before robot adaptation. Our data engine extracts scene elements, spatial dynamics, action execution, and depth-aware relations, then turns them into question-answer supervision for training PhysBrain VLMs. The resulting physical priors are further transferred to VLA policies through a capability-preserving and language-sensitive adaptation design. Across multimodal QA benchmarks and embodied control benchmarks, including ERQA, PhysBench, SimplerEnv-WidowX, LIBERO, and RoboCasa, PhysBrain 1.0 achieves SOTA results and shows especially strong out-of-domain performance on SimplerEnv. These results suggest that scaling physical commonsense from human interaction video can provide an effective bridge from multimodal understanding to robot action.
• Abstract（参考訳）: 視覚-言語-アクションモデルは急速に進歩しているが、ロボットの軌道だけでは、幅広い身体的理解を学ぶための限られた範囲を提供している。 PhysBrain 1.0は、ロボットが適応する前に、大規模な人間中心のビデオを構造化された物理的コモンセンスの監視に変換する、補完的な経路を研究する。 データエンジンは、シーン要素、空間力学、行動実行、深度認識関係を抽出し、PhysBrain VLMのトレーニングのための問合せ監視を行う。 得られた物理的事前情報は、能力保存および言語に敏感な適応設計を通じてVLAポリシーに転送される。 ERQA、PhysBench、SimplerEnv-WidowX、LIBERO、RoboCasaなど、マルチモーダルなQAベンチマークと実施済みのコントロールベンチマークを通じて、PhysBrain 1.0はSOTAの結果を達成し、SimplerEnvで特にドメイン外のパフォーマンスを示す。 これらの結果は、人間のインタラクションビデオから物理的コモンセンスをスケールすることで、マルチモーダル理解からロボット行動への効果的な橋渡しが可能になることを示唆している。

関連論文リスト

• Learning Physics from Pretrained Video Models: A Multimodal Continuous and Sequential World Interaction Models for Robotic Manipulation [63.04810454548667]
  我々は、ロボット操作タスクを解決するために、スケーラブルで連続的かつシーケンシャルな世界インタラクションフレームワークであるPhysGenを紹介した。 トレーニング済みのビデオモデルを物理シミュレーターのプロキシとして扱うことで、PhysGenは外部環境とロボット動作の間の動的相互作用をモデル化する。 本稿では,映像とアクションを共有物理トークンに統合し,離散映像生成と連続ロボット制御のギャップを埋めるマルチモーダル連続表現を提案する。
  論文  参考訳（メタデータ） (2026-02-18T14:58:18Z)
• PhysVLM: Enabling Visual Language Models to Understand Robotic Physical Reachability [31.532470258146073]
  本研究では,多種多様なロボット,すなわち空間物理到達可能性マップ(S-Pマップ)間での物理的な到達可能性の統一表現を提案する。 PhysVLMは、この到達可能性情報を視覚的推論に統合する視覚言語モデルである。
  論文  参考訳（メタデータ） (2025-03-11T14:34:41Z)
• Physically Grounded Vision-Language Models for Robotic Manipulation [59.143640049407104]
  39.6Kのクラウドソースと417Kの自動物理概念アノテーションからなるオブジェクト中心のデータセットであるPhysObjectsを提案する。 本稿では,PhysObjects上での視覚言語モデルの微調整により,物理オブジェクト概念の理解が向上することを示す。 我々は、この物理的基盤を持つVLMを、大規模言語モデルに基づくロボットプランナーと対話的なフレームワークに組み込む。
  論文  参考訳（メタデータ） (2023-09-05T20:21:03Z)
• Dynamic Visual Reasoning by Learning Differentiable Physics Models from Video and Language [92.7638697243969]
  視覚概念を協調的に学習し,映像や言語から物体の物理モデルを推定する統合フレームワークを提案する。 これは視覚認識モジュール、概念学習モジュール、微分可能な物理エンジンの3つのコンポーネントをシームレスに統合することで実現される。
  論文  参考訳（メタデータ） (2021-10-28T17:59:13Z)

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。