論文の概要: XEWorld: Can Action-Conditioned World Models Generalize to Unseen Robot Embodiments?

• arxiv url: http://arxiv.org/abs/2608.05799v1
• Date: Thu, 06 Aug 2026 09:35:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 17:43:06.735031
• Title: XEWorld: Can Action-Conditioned World Models Generalize to Unseen Robot Embodiments?
• Title（参考訳）: XEWorld:アクション・コンディションド・ワールド・モデルは、見えないロボットの身体に一般化できるのか?
• Abstract要約: アクション条件付き世界モデルは、ロボット操作のための学習シミュレーターを約束している。 しかし、これらをトレーニングロボットに限定して評価することは、物理的なダイナミクスを捉えているのか、単に視覚的なパターンなのかを明らかにするのに失敗する。 XEWorldは、物理的に同一のシーンで保持されたロボットを評価することで、エボディメントを分離する世界モデルのための制御されたクロス・エボディメント・テストベッドである。
• 参考スコア（独自算出の注目度）: 19.1327734399886
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Action-conditioned world models are promising learned simulators for robotic manipulation, yet evaluating them exclusively on training robots fails to reveal whether they capture physical dynamics or merely memorize visual patterns. To answer whether a model can faithfully render a robot it has never seen, we introduce XEWorld, a controlled cross-embodiment testbed for world models that isolates embodiments by evaluating held-out robots within physically identical scenes. Our systematic analysis uncovers a shared architectural bottleneck: current models act primarily as 2D visual pattern matchers whose generalization is governed by visual similarity rather than physical kinematic similarity. Driven by this limitation, they struggle to translate abstract numeric joint actions into coherent visual trajectories, and fail to predict dynamic visual changes from static initial observations. Consequently, successfully rendering an unseen embodiment zero-shot strictly requires heavily grounded cues, specifically pixel-space actions and explicit spatial-temporal alignment. Even when bypassing this zero-shot barrier via few-shot adaptation, the forced appearance recovery triggers catastrophic forgetting of seen embodiments. Together, these failures expose a critical inability to apply learned physical dynamics to novel visual appearances, highlighting that achieving true cross-embodiment generalization requires architectural innovations that decouple visual appearance from underlying physical dynamics.
• Abstract（参考訳）: アクションコンディショニングされた世界モデルは、ロボット操作のための学習シミュレーターを約束しているが、それらをトレーニングロボットのみに評価することは、物理的なダイナミクスを捉えるか、単に視覚パターンを記憶するだけなのかを明らかにするのに失敗する。 モデルが今まで見たことのないロボットを忠実にレンダリングできるかどうかを問うため、我々は、物理的に同一のシーンで保持されたロボットを評価することで、体感を分離する世界モデルのための制御されたクロスエボディメントテストベッドであるXEWorldを紹介した。 現在のモデルは、物理的運動学的類似性よりも視覚的類似性によって一般化される2次元視覚パターンマッチングとして機能する。 この制限によって、彼らは抽象的な数値的な関節動作をコヒーレントな視覚軌道に変換するのに苦労し、静的な初期観測から動的視覚変化を予測するのに失敗する。 その結果、目に見えないエボディメントゼロショットのレンダリングを成功させるには、特にピクセル空間のアクションや、空間的時間的アライメントなど、厳密な接地が必要なのだ。 このゼロショットバリアを数発の適応でバイパスしても、強制的な外観回復は、目に見えるエンボディメントの破滅的な忘れ物を引き起こす。 同時に、これらの失敗は、学習された物理力学を新しい視覚的外観に適用する能力の欠如を明らかにし、真のクロス・エボディメントの一般化を達成するには、基礎となる物理力学から視覚的外観を分離するアーキテクチャ上の革新が必要であることを強調した。

関連論文リスト

• AnyWorld: Factorized Egocentric World Models for Cross-Embodiment Generalization [88.25615187835321]
  我々は,クロス・エボディメント・ワールド・モデリング・フレームワークであるAnyWorldを提案する。 私たちのモデルは、アクション、カメラ、エンボディメントへのインタラクションを分解します。 大規模なヒューマンインタラクション事前トレーニングでモデルをトレーニングする。
  論文  参考訳（メタデータ） (2026-08-29T12:55:15Z)
• Masked Visual Actions for Unified World Modeling [96.12988421978463]
  Masked Visual Actionsは、ビデオ内の任意の実体の部分的に明らかな軌跡としてアクションを表現するピクセル空間制御インタフェースである。 Revealing Robot Motionは、このモデルをフォワードダイナミクスモデルとして機能させ、低レベルのロボット動作に対するシーンの反応を予測する一方で、望ましい物体の動きを明らかにすることにより、同じモデルがロボットの動作をその結果と一致させる。
  論文  参考訳（メタデータ） (2026-07-21T17:59:11Z)
• Trimming the Long-Tail of Visual World Modeling Evaluation [67.17191772079316]
  本論文では,不規則な物理的相互作用をシミュレートするために世界モデルに挑戦するベンチマークであるTailor-Benchを紹介する。 通常のシナリオは共通のツールとタスクのペアを反映し、従来型のツールを属性互換の代替品に置き換え、Impossibleシナリオは属性違反ツールを導入している。 実験結果から,物理世界モデリングの長期的ギャップは明らかであり,共通相互作用を超越した一般化の限界が示唆された。
  論文  参考訳（メタデータ） (2026-06-23T07:43:41Z)
• iMaC: Translating Actions into Motion and Contact Images for Embodied World Models [77.395425755122]
  身体的世界モデルは、視覚ロボットによる意思決定と対話型環境シミュレーションのための重要なパラダイムとして登場した。 本稿では,実画像を実世界モデルのためのネイティブアクション表現として扱う,新しい統一制御パラダイムである「イメージ・アズ・アクション・コントロール」を提案する。
  論文  参考訳（メタデータ） (2026-06-08T17:55:41Z)
• Toward Hardware-Agnostic Quadrupedal World Models via Morphology Conditioning [29.296527466383242]
  我々は、一般化可能な四足歩行世界モデルをトレーニングするためのフレームワークへの一歩を踏み出した。 ロボットの工学的仕様に生成力学を明示的に規定する。 我々は、初めて、ゼロショットの一般化を可能にする世界モデルを導入し、ロコモーションの新しい形態について紹介する。
  論文  参考訳（メタデータ） (2026-04-09T21:31:24Z)
• HEX: Humanoid-Aligned Experts for Cross-Embodiment Whole-Body Manipulation [74.34984994596813]
  HEXは、ヒューマノイドロボットの協調操作のための状態中心のフレームワークである。 ヘテロジニアスな実施形態をまたいだスケーラブルな学習のための、ヒューマノイドに整合した普遍的状態表現が組み込まれている。 タスクの成功率と一般化における最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-04-09T09:01:43Z)
• 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)
• Walk through Paintings: Egocentric World Models from Internet Priors [65.30611174953958]
  本稿では,エゴセントリック・ワールド・モデル(EgoWM)について述べる。 我々は、スクラッチからトレーニングするよりも、インターネット規模のビデオモデルのリッチワールドを再利用し、軽量なコンディショニング層を通じてモーターコマンドを注入する。 当社のアプローチは,3-DoF移動ロボットから25-DoFヒューマノイドまで,エボディメントやアクションスペースを自然に拡張する。
  論文  参考訳（メタデータ） (2026-01-21T18:59:32Z)
• Do-Undo: Generating and Reversing Physical Actions in Vision-Language Models [57.71440995598757]
  我々は,視覚言語モデルにおける重要なギャップに対処するために,Do-Undoタスクとベンチマークを導入する。 Do-Undoは、物理的な行動の結果をシミュレートし、それを正確に反転させるモデルを必要とし、視覚の世界における真の原因と効果を反映している。
  論文  参考訳（メタデータ） (2025-12-15T18:03:42Z)

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。