論文の概要: OSCAR: Omni-Embodiment Action-Conditioned World Model for Robotics
- arxiv url: http://arxiv.org/abs/2606.04463v2
- Date: Thu, 04 Jun 2026 13:11:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-05 19:21:33.300666
- Title: OSCAR: Omni-Embodiment Action-Conditioned World Model for Robotics
- Title（参考訳）: OSCAR:Omni-Embodiment Action-Conditioned World Model for Robotics
- Abstract要約: 本稿では,ロボットの動作を多岐にわたって一般化し,ロボットのポリシー評価を可能にする,精密なアクション条件付きビデオワールドモデルを提案する。
本モデルは,既存のベースラインと比較して,動作の追従,外観品質,動作の整合性を大幅に向上させる。
さらにOSCARをデプロイして,RoboArenaからロボットポリシーを評価する。
- 参考スコア（独自算出の注目度）: 6.134835623350618
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present OSCAR, a precise action-conditioned video world model that generalizes across different robot embodiments and enables robot policy evaluation. Existing video world models face three main challenges for real-world robot evaluation: limited scenario diversity in current robot training datasets, imprecise action following, and poor generalization across embodiments for broad adoption. We tackle these challenges from two perspectives. At its core is a large-scale standardized data pipeline that curates, filters, and deduplicates broad robotics and egocentric human datasets, yielding a clean joint-training dataset that spans diverse tasks, scenarios, actions, and robot embodiments. To condition the video model, we adopt 2D kinematic skeleton rendering as a unified conditioning representation that generalizes across different robot arms or even human hands. We finetune the Cosmos-Predict2.5-2B model on a single GH200 GPU. Our model achieves significant improvement on action following, appearance quality, and motion consistency, compared to existing baselines, which either have a much larger model size or require more GPUs. We further deploy OSCAR to evaluate robot policies from RoboArena. Extensive experiments demonstrate the significant correlation between our virtual policy evaluation in OSCAR and real-world evaluation, paving the way for the future where robot policies can be purely evaluated in virtual generated worlds.
- Abstract（参考訳）: 我々は,様々なロボットの動作を一般化し,ロボットのポリシー評価を可能にする,精密なアクション条件付きビデオワールドモデルOSCARを提案する。
既存のビデオワールドモデルは、現在のロボットトレーニングデータセットにおける限られたシナリオの多様性、従う不正確なアクション、広く採用されるための実施形態の一般化の3つの主な課題に直面している。
私たちは2つの視点からこれらの課題に取り組みます。
コアとなるのは大規模な標準化されたデータパイプラインで、幅広いロボティクスとエゴセントリックな人間のデータセットをキュレートし、フィルタし、分離し、さまざまなタスク、シナリオ、アクション、ロボットの体格にまたがるクリーンな共同トレーニングデータセットを生成する。
ビデオモデルの条件付けには、異なるロボットアームや人間の手に渡って一般化する統一条件表現として、2Dキネマティックスケルトンレンダリングを採用する。
単一のGH200 GPU上でCosmos-Predict2.5-2Bモデルを微調整する。
我々のモデルは、モデルサイズがはるかに大きいか、より多くのGPUを必要とする既存のベースラインと比較して、アクション追従、外観品質、動きの整合性を大幅に改善する。
さらにOSCARをデプロイして,RoboArenaからロボットポリシーを評価する。
大規模な実験により,OSCARにおける仮想ポリシー評価と実世界の評価との間に有意な相関が示され,ロボットポリシーが仮想的に生成された世界で純粋に評価できる未来への道が開かれた。
関連論文リスト
- H2R-Bench: Benchmarking Human-to-Robot Manipulation Video Generation in World Models [56.60098789696351]
H2R-Benchは、人間とロボットの相互操作ビデオ生成を評価するためのベンチマークである。
各ベンチマークインスタンスには、人間のデモビデオ、ターゲットの実施制約、ソース地上アノテーションが含まれている。
我々は、6つの操作ファミリーと2つのロボットエボディメントで11の最先端のビデオ生成モデルをベンチマークした。
論文 参考訳（メタデータ） (2026-08-13T10:14:33Z) - GeniWorld: A Generalizable Interactive World Model for Robotic Manipulation via Visual Actions [25.431221165541874]
汎用的なロボット政策は強力な能力を示すが、複雑で見えない環境での頑丈さは依然として限られている。
我々は、見えないシナリオにまたがって堅牢に一般化するロボットのためのインタラクティブな世界モデルGeniWorldを紹介する。
論文 参考訳（メタデータ） (2026-08-06T17:40:32Z) - Ego2Robot: Scalable Robot Data Synthesis from Egocentric Human Data [60.94418315274988]
Ego2Robotは、キュレートされたビデオとインザワイルドのビデオの両方をサポートし、15のロボット形態にまたがる18,561時間のトレーニングデータを生成する。
Ego2Robotの合成データとロボットデータの併用による事前学習は、複数のタイプにわたるアウト・オブ・ディストリビューションの一般化を一貫して改善する。
論文 参考訳（メタデータ） (2026-08-03T17:52:26Z) - Robot-Factored World Models via Robot Rendering [25.12876640584098]
アクション条件付きビデオワールドモデルは、初期観測と行動信号から将来の観測を予測する。
本研究では,ロボット特異的な2つの要素を世界モデル外へ移動させるロボット駆動世界モデルを提案する。
実験により, レンダリングインタフェースはベクトル条件付きベースラインより優れており, 未知のロボットエンボディメント推論に一般化されていることがわかった。
論文 参考訳（メタデータ） (2026-07-24T17:59:57Z) - RoboWorld: Fast and Reliable Neural Simulators for Generalist Robot Policy Evaluation [52.855830378221775]
一般的なロボットポリシーを評価するためのスケーラブルな代替手段として、ビデオワールドモデルが登場しつつある。
タスクプログレス対応の視覚言語モデルスコアリングと,高速なビデオワールドモデルを組み合わせた自動評価パイプラインであるRoboWorldを紹介する。
論文 参考訳（メタデータ） (2026-07-01T15:22:41Z) - Robots Need More than VLA and World Models [38.16463528269755]
ジェネラリストロボットインテリジェンスは、しばしばポリシースケーリング問題として扱われる。
本稿では、このフレーミングは不完全である、と論じる。
次世代ロボティクスに欠落する4つのコンポーネントを特定します。
論文 参考訳（メタデータ） (2026-06-04T10:43:14Z) - DreamDojo: A Generalist Robot World Model from Large-Scale Human Videos [110.98100817695307]
私たちはDreamDojoを紹介します。DreamDojoは、多種多様なインタラクションと、エゴセントリックな人間ビデオの44万時間から厳密なコントロールを学ぶ基礎的な世界モデルです。
本研究は, 遠隔操作, 政策評価, モデルベース計画など, 生成的世界モデルに基づくいくつかの重要な応用を可能にする。
論文 参考訳（メタデータ） (2026-02-06T18:49:43Z) - MiVLA: Towards Generalizable Vision-Language-Action Model with Human-Robot Mutual Imitation Pre-training [102.850162490626]
人間のロボットによる相互模倣事前学習による視覚-言語-行動モデルであるMiVLAを提案する。
MiVLAは、最先端のVLAよりも優れた、強力な改良された一般化能力を実現する。
論文 参考訳（メタデータ） (2025-12-17T12:59:41Z) - DreamGen: Unlocking Generalization in Robot Learning through Video World Models [120.25799361925387]
DreamGenは、ニューラルトラジェクトリを通じて行動や環境を一般化するロボットポリシーをトレーニングするためのパイプラインだ。
私たちの研究は、手作業によるデータ収集を超えて、ロボット学習をスケールするための、有望な新たな軸を確立します。
論文 参考訳（メタデータ） (2025-05-19T04:55:39Z) - VidBot: Learning Generalizable 3D Actions from In-the-Wild 2D Human Videos for Zero-Shot Robotic Manipulation [53.63540587160549]
VidBotは、WildのモノクルなRGBのみの人間ビデオから学習した3Dアベイランスを使って、ゼロショットロボット操作を可能にするフレームワークである。
VidBotは、人間の日常的なビデオを利用してロボットの学習をよりスケーラブルにする。
論文 参考訳（メタデータ） (2025-03-10T10:04:58Z)
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。