論文の概要: PhysisForcing: Physics Reinforced World Simulator for Robotic Manipulation
- arxiv url: http://arxiv.org/abs/2606.28128v1
- Date: Fri, 26 Jun 2026 14:30:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-29 18:24:25.514097
- Title: PhysisForcing: Physics Reinforced World Simulator for Robotic Manipulation
- Title（参考訳）: 物理力:ロボットマニピュレーションのための物理強化世界シミュレータ
- Abstract要約: ビデオ生成モデルは、一貫性のないロボットとオブジェクトの相互作用を含む、物理的に不可解な操作を生成することができる。
本研究では,物理インフォーマティブ領域の監督に焦点をあて,身体の整合性を高めるためのトレーニングフレームワークであるPhys Forcingを提案する。
実験の結果,Phys Forcing は強いベースラインよりも常にエンボディドビデオ生成を改善していることがわかった。
- 参考スコア（独自算出の注目度）: 37.9748770367306
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Video generation models have emerged as a promising paradigm for embodied world simulation. However, both general-domain video generators and robot-specific data fine-tuned models can still produce physically implausible manipulations, including discontinuous motion trajectories and inconsistent robot-object interactions, which limits their reliability as world simulators. Through extensive experiments, we find that such physical instability mainly arises from two factors: deformation of moving objects and implausible spatio-temporal correlations among interacting entities, particularly during contact. Building on this observation, we propose PhysisForcing, a scalable training framework that strengthens physical consistency by focusing supervision on physics-informative regions through joint optimization of pixel-level and semantic-level features. The framework consists of a pixel-level trajectory alignment loss, which supervises DiT features using reference point trajectories, and a semantic-level relational alignment loss, which aligns DiT features with inter-region relations extracted from a frozen video understanding encoder. Extensive experiments on R-Bench, PAI-Bench, and EZS-Bench show that PhysisForcing consistently improves embodied video generation over strong baselines, improving the Wan2.2-I2V-A14B and Cosmos3-Nano base models on R-Bench by 22.3\% and 9.2\% (7.1\% and 3.7\% over vanilla finetuning), with the Cosmos3-Nano variant attaining the best overall score. Beyond generation, as a world model under the WorldArena action-planner protocol it raises the closed-loop success rate from 16.0\% to 24.0\% and further improves downstream policy success, indicating that physically aligned video models yield stronger representations for robotic manipulation.
- Abstract（参考訳）: ビデオ生成モデルは、世界シミュレーションのための有望なパラダイムとして登場してきた。
しかし、一般ドメインのビデオジェネレータとロボット固有のデータ調整モデルの両方が、不連続な運動軌跡や、世界シミュレータとしての信頼性を制限する不連続なロボットとオブジェクトの相互作用を含む、物理的に不確実な操作を生成することができる。
広範囲にわたる実験により、このような物理的不安定性は主に、移動物体の変形と、相互作用する物質、特に接触中における不確実な時空間相関の2つの要因から生じることが判明した。
そこで本研究では,画素レベルの特徴とセマンティックレベルの特徴を協調的に最適化することにより,物理情報領域の監督に焦点を合わせることにより,物理的な一貫性を高めるスケーラブルなトレーニングフレームワークであるPhys Forcingを提案する。
本フレームワークは、基準点軌跡を用いてDiT特徴を監督する画素レベルの軌道アライメント損失と、凍結映像理解エンコーダから抽出した領域間関係にDiT特徴を整列する意味レベルリレーショナルアライメント損失とからなる。
R-Bench、PAI-Bench、EZS-Benchの大規模な実験により、PhysForcingは強力なベースライン上でのエンボディドビデオ生成を一貫して改善し、Wan2.2-I2V-A14BとCosmos3-Nanoベースモデルを22.3\%、9.2\%(7.1\%と3.7\%)改善し、Cosmos3-Nanoは最高スコアに達した。
世代を超えて、WorldArenaアクションプランナープロトコルの下での世界モデルとして、クローズドループの成功率を16.0\%から24.0\%に引き上げ、ダウンストリームのポリシーの成功をさらに改善し、物理的に整列されたビデオモデルがロボット操作のより強力な表現をもたらすことを示す。
関連論文リスト
- GAUGE: A Measurement-Grounded Benchmark for Physical Fidelity in Simulation Engines and Video World Models [66.77745044586173]
GAUGEは、数値シミュレータと生成ビデオワールドモデルがどのように現実の物理学から再現または逸脱するかを評価するための実世界の診断ベンチマークである。
一般化された軌道誤差を用いて14のタスクファミリー上でIsaac Sim,Genesis,Newtonをベンチマークし,5つの剛体タスクに対して6つのイメージ・ツー・ビデオモデルを評価する。
この結果から, 衝撃的接触, 高速繊維運動, 体積変形に起因する最大の相違点を有する一様忠実な物理エンジンは見つからなかった。
論文 参考訳（メタデータ） (2026-08-06T12:19:38Z) - KineBench: Benchmarking Embodied World Models via IDM-Free Kinematic Grounding [58.541098216700796]
エンボディド・ワールド・モデルの 物理的整合性を評価することは 重要なオープン・チャレンジです
既存のフレームワークはほとんどがアクション抽出に逆ダイナミクスモデル(IDM)に依存している。
IDMのないEWMのためのクローズドループベンチマークであるKineBenchを紹介する。
論文 参考訳（メタデータ） (2026-07-22T08:04:17Z) - A Physics-Grounded Benchmark for Multi-Agent Dynamics in World Models [96.64934195520802]
我々は、世界モデルの物理的信頼性をストレステストするために設計された物理地上評価フレームワークであるCrashTwinを紹介する。
CrashTwinは、25K制御可能な合成12K実世界の衝突シーケンスを含む、多様なマルチエージェント衝突シナリオのデータセットを結合している。
本稿では,時間的一貫性,運動量,運動エネルギーの保存,世界力学の整合性という3つの次元を体系的に評価する診断スイートを提案する。
論文 参考訳（メタデータ） (2026-06-27T06:13:35Z) - Deformable Gaussian Occupancy: Decoupling Rigid and Nonrigid Motion with Factorized Distillation [81.44955493339835]
DeGOは変形可能なガウスの占有機構であり、分解したガウスの変形と分解された4次元基礎モデル蒸留を統一する。
Occ3D-NuScenesベンチマーク実験により,本手法が弱い監督下での最先端性能を実現することを示す。
論文 参考訳（メタデータ） (2026-05-27T15:09:55Z) - PhyCo: Learning Controllable Physical Priors for Generative Motion [55.59209981836171]
本稿では,ビデオ生成に連続的,解釈可能,物理的に接地された制御を導入するフレームワークであるPhyCoを紹介する。
i) 摩擦, 再構成, 変形, 力が様々なシナリオで体系的に変化する100K以上のフォトリアリスティック・シミュレーション・ビデオの大規模データセット, (ii) 物理制御された拡散モデルの微調整, (iii) VLM誘導報酬最適化, 微調整された視覚言語モデルにより、対象とする物理クエリを用いて生成されたビデオを評価し、異なるフィードバックを提供する。
論文 参考訳（メタデータ） (2026-04-30T17:53:03Z) - ABot-PhysWorld: Interactive World Foundation Model for Robotic Manipulation with Physics Alignment [31.000965640377128]
ABot-PhysWorldは14B Diffusion Transformerモデルで、視覚的にリアルで、物理的に可視で、アクション制御可能なビデオを生成する。
視覚的品質を維持しながら、非物理的行動を抑制するために、分離された識別器を備えた新しいDPOベースのポストトレーニングフレームワークを使用する。
PBenchとEZSbenchはVeo 3.1とSora v2 Proを上回り、物理的妥当性と軌道整合性を実現している。
論文 参考訳（メタデータ） (2026-03-24T16:07:09Z) - RoboForge: Physically Optimized Text-guided Whole-Body Locomotion for Humanoids [20.796118584632904]
自然言語と全身移動を橋渡しする統合潜在駆動型フレームワークを提案する。
我々のフレームワークは、テキスト誘導型ヒューマノイドインテリジェンスをデプロイするための実践的なパスを提供する。
論文 参考訳（メタデータ） (2026-03-18T17:02:56Z) - HSImul3R: Physics-in-the-Loop Reconstruction of Simulation-Ready Human-Scene Interactions [69.43316445143408]
HSImul3Rはヒトとシーンの相互作用をシミュレーション可能な3次元再構成のための統合フレームワークである。
既存の手法は知覚とシミュレーションのギャップに悩まされており、物理エンジンの不安定性と、具体化されたAIアプリケーションの失敗につながっている。
論文 参考訳（メタデータ） (2026-03-16T17:58:33Z) - MotionAnymesh: Physics-Grounded Articulation for Simulation-Ready Digital Twins [25.25391483526521]
MotionAnymeshは、非構造化の静的メッシュをシミュレーション可能なデジタルツインにシームレスに変換するフレームワークである。
提案手法は, VLM推論をSP4D物理先行値で根拠とした運動認識部分分割モジュールを特徴とする。
論文 参考訳（メタデータ） (2026-03-13T12:30:42Z) - AGILE: Hand-Object Interaction Reconstruction from Video via Agentic Generation [45.753757870577196]
本稿では,対話学習のためのエージェント生成にパラダイムを転換する,堅牢なフレームワークAGILEを紹介する。
我々はAGILEがグローバルな幾何学的精度でベースラインを上回り、先行技術が頻繁に崩壊する挑戦的なシーケンスに対して、例外的な堅牢性を証明していることを示す。
論文 参考訳（メタデータ） (2026-02-04T15:42:58Z) - InternVLA-A1: Unifying Understanding, Generation and Action for Robotic Manipulation [77.07565723756119]
InternVLA-A1は動的予測機能を備えた視覚言語モデルである。
我々は、実世界のロボットデータ、合成シミュレーションデータ、人間のビデオなどを用いて、これらのモデルを異種データソース上で事前訓練する。
InternVLA-A1を実世界の12のロボットタスクとシミュレーションベンチマークで評価した。
論文 参考訳（メタデータ） (2026-01-05T18:54:29Z) - PhysCorr: Dual-Reward DPO for Physics-Constrained Text-to-Video Generation with Automated Preference Selection [10.498184571108995]
本稿では,ビデオ生成における物理一貫性をモデリング,評価,最適化するための統合フレームワークであるPhysCorrを提案する。
具体的には、物体内安定性と物体間相互作用の両方を定量化する最初の2次元報酬モデルである物理RMを紹介する。
我々のアプローチは、モデルに依存しないスケーラブルで、幅広いビデオ拡散とトランスフォーマーベースのバックボーンへのシームレスな統合を可能にする。
論文 参考訳（メタデータ） (2025-11-06T02:40:57Z) - Spatial-Temporal Graph Diffusion Policy with Kinematic Modeling for Bimanual Robotic Manipulation [88.83749146867665]
既存のアプローチは、遠く離れた次のベストなエンドエフェクタのポーズを予測するポリシーを学びます。
すると、運動に対する対応する関節回転角を逆運動学を用いて計算する。
本稿では,Kinematics 拡張空間テンポアル gRaph diffuser を提案する。
論文 参考訳（メタデータ） (2025-03-13T17:48:35Z)
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。