論文の概要: Pelican-Sim 1.0: A General World Model Simulator for Embodied Intelligence
- arxiv url: http://arxiv.org/abs/2609.12036v1
- Date: Thu, 10 Sep 2026 17:51:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-15 07:38:31.494607
- Title: Pelican-Sim 1.0: A General World Model Simulator for Embodied Intelligence
- Title（参考訳）: Pelican-Sim 1.0: 身体情報のための一般的な世界モデルシミュレータ
- Abstract要約: Pelican-Sim 1.0は、インテリジェンスのための一般的な世界モデルシミュレータである。
ビジュアルコンテキストとロボットアクションから将来の観察を予測し、下流での学習と意思決定を支援する。
- 参考スコア（独自算出の注目度）: 22.0636262013758
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this technical report, we propose Pelican-Sim 1.0, a general world model simulator for embodied intelligence that predicts future observations from visual context and robot actions to support downstream learning and decision making. The model incorporates four key design features: (1) Unified action representation: a 28-dimensional action value space covering most mainstream embodiments, keeping one model valid across heterogeneous devices. (2) Action-visual injection: URDF- and camera-rendered action videos bridge actions and pixels, giving markedly better controllability across embodiments, scenes, and tasks (PSNR +0.904 over alternative fusion baselines). (3) Sparse mixture-of-experts (MoE): sparse MoE layers add capacity for heterogeneous dynamics and absorb the action modality while reducing inter-modality conflict (FVD -6.530 vs. the dense backbone). (4) Efficient rollout generation: causal adaptation and few-step distillation yield a four-step autoregressive simulator, achieving a 5.67-fold speedup over the 35-step model. Benefiting from these designs, we train on approximately one million real-world and simulated trajectories and obtain large gains in action controllability and video quality: PSNR improves over the strongest evaluated baselines by 4.636 on AgiBotWorld Beta, 2.080 on RoboMIND, and 10.343 on RoboTwin, with the adapted EWMBench DYN score up 0.426 on RoboTwin. Relying on this, four downstream applications on RoboTwin succeed: 500 generated trajectories added to 50 demonstrations per task raise policy success from 70% to 93%; policy evaluation reaches a Pearson correlation of 0.994 across five checkpoints; and relative success gains reach 47.7% for action selection and 20.3% for policy improvement. Qualitative generalization across trajectory, scene, object, embodiment, and viewpoint shifts highlights its potential as a general-purpose world model simulator.
- Abstract（参考訳）: 本稿では,視覚的コンテキストやロボット行動から将来の観察を予測し,下流での学習と意思決定を支援する,汎用的なインテリジェンスモデルシミュレータPelican-Sim 1.0を提案する。
統一されたアクション表現:28次元のアクション値空間で、ほとんどの主流の実施形態をカバーし、1つのモデルを異種デバイス間で有効に保つ。
2) アクション・ビジュアル・インジェクション: URDFおよびカメラ・レンダード・アクション・ビデオ・ブリッジ・アクションとピクセルにより, エンボディメント, シーン, タスク(代替核融合ベースラインよりもPSNR+0.904)の制御性が著しく向上した。
(3)Sparse Mixed-of-experts (MoE): Sparse MoE layer add capacity for heterogeneous dynamics and absorb the action modality while reduce inter-modality conflict (FVD -6.530 vs. dense backbone)。
(4)効率的なロールアウト生成:因果適応と数段蒸留により4段階の自己回帰シミュレータが得られ、35段階モデルよりも5.67倍のスピードアップを達成する。
PSNRはAgiBotWorld Betaの4.636、RoboMINDの2.080、RoboTwinの10.343、適応されたEWMBench DYNのスコアは0.426である。
このことを踏まえると、RoboTwinのダウンストリーム・アプリケーション4つが成功し、500個の生成された軌道がタスク毎の50のデモに追加され、政策成功率が70%から93%に上昇し、政策評価は5つのチェックポイントでパーソン相関が0.994に達し、相対的な成功率は47.7%、政策改善は20.3%に達した。
軌道、シーン、オブジェクト、エンボディメント、視点シフトをまたいだ定性的一般化は、汎用世界モデルシミュレータとしての可能性を強調している。
関連論文リスト
- Riemann-1.0: An Embodied World Action Model for Physical AI [17.136136265925682]
我々は,完全な因果的自己回帰的世界行動モデルを導入し,インテリジェンスを具現化する。
Rickel-1.0は、オンラインロボットポリシーの実行と行動条件付き世界シミュレーションを単一のモデルで統合する。
我々は,エゴセントリックな人間ビデオ,ハンドヘルド・グリッパー・デモ,異種ロボット軌道からの学習を統一する,プログレッシブな具体的事前学習フレームワークを開発した。
論文 参考訳（メタデータ） (2026-08-27T12:21:26Z) - GigaBrain-WBC-0.5: A Behavior World Model for Robust Whole-Body Control with Environment Interaction [68.67772166423812]
ヒューマノイド全身制御のための行動世界モデル(BWM)であるGigaBrain-WBC-0.5を提案する。
純粋にリアクティブなトラッカーではなく、因果トランスフォーマーをトレーニングして、次のアクション、次の状態、次の潜伏動作コマンドに対する分布を共同で予測します。
自動地形アノテーションパイプラインは、再ターゲティングされた動きから完全な3D接触形状を復元し、既存の動きデータセットのスケールでの地形アノテートを可能にする。
論文 参考訳（メタデータ） (2026-08-18T18:21:36Z) - Hydra-0: Action Flow for Generalist World Modeling and Control [64.88849745875753]
Hydra-0はアクションフローを条件とした世界モデルであり、ロボットの動きをピクセルの動きとして表現している。
我々の最良の構成は、90.4%のロボットモーションエラー、60.2%のオブジェクトモーションエラーを達成する。
訓練されたアクションヘッドは、タスク固有の専門家ロボットのデモンストレーションを必要とせずに、得られた潜在機能を実行可能なアクションにマッピングする。
論文 参考訳（メタデータ） (2026-08-18T17:59:30Z) - From Foundation to Application: Improving VLA Models in Practice [62.1552185059214]
3つの機能ドメインの改善を通じてLingBot-VLAを進化させるLingBot-VLA 2.0を提案する。
以前のバージョンと比較して、データ処理パイプラインを改訂し、事前トレーニングのために約6万時間のデータをキュレートします。
特に,本システムでは,頭部,腰,移動台,器用な手の自由度を考慮し,ロボットがより複雑なタスクを現実的なシナリオでこなせるようにしている。
論文 参考訳（メタデータ） (2026-07-07T15:33:12Z) - RepSAM: Bridging Foundation Models to Robotic Vision via Representation-Guided Adaptation [0.0]
RepSAMは、ロボットビジョンに基礎モデルを適用するための表現誘導パラメータ効率の微調整フレームワークである。
RepSAMは完全な微調整性能(89.0%対90.9% mIoU)の97.9%を達成し、トレーニング可能なパラメータを158倍(632Mから4.0M)削減した。
論文 参考訳（メタデータ） (2026-05-25T06:56:42Z) - MotuBrain: An Advanced World Action Model for Robot Control [23.733029557644354]
We present MotuBrain, a unified World Action Model that jointly model video and action under a UniDiffuser formulation。
単一のモデルは、ポリシー学習、世界モデリング、ビデオ生成、逆ダイナミクス、共同ビデオアクション予測をサポートする。
Motus上に構築されているMotuBrainは、言語と相互作用の結合を強くするための独立したテキストストリームである、統一されたマルチビューモデリングも導入している。
我々の推論スタックは、ステップの削減、コンパイル、FP8量子化、DiTキャッシュ、V2Aスタイルのアクション専用推論、リアルタイムチャンククループ実行を組み合わせたものです。
論文 参考訳（メタデータ） (2026-04-30T12:34:44Z) - GigaWorld-Policy: An Efficient Action-Centered World--Action Model [50.107640832046464]
GigaWorld-Policyはアクション中心のWAMで、2Dピクセルアクションのダイナミクスを学習し、オプションのビデオ生成で効率的なアクションデコーディングを可能にする。
実世界のロボットプラットフォームでの実験結果によると、GigaWorld-Policyは主要なWAMベースラインであるMotusの9倍高速で動作する。
論文 参考訳（メタデータ） (2026-03-18T00:52:02Z) - DiT4DiT: Jointly Modeling Video Dynamics and Actions for Generalizable Robot Control [16.562259973551786]
本稿では,ビデオ拡散変換器とアクション拡散変換器を結合したエンドツーエンドのビデオ・アクション・モデルであるDiT4DiTを紹介する。
DiT4DiTは、再構成後のフレームに頼る代わりに、ビデオ生成プロセスから中間的なデノイング機能を抽出する。
これは最先端の結果を達成し、LIBEROでは98.6%、RoboCasa GR1では50.8%という平均的な成功率に達した。
論文 参考訳（メタデータ） (2026-03-11T06:03:53Z) - VLAW: Iterative Co-Improvement of Vision-Language-Action Policy and World Model [87.75549463328836]
本研究の目的は、反復的なオンラインインタラクションにより、視覚言語アクション(VLA)モデルの性能と信頼性を向上させることである。
本稿では,実世界のロールアウトデータを用いて,世界モデルの忠実度を向上する簡易な反復改善アルゴリズムを提案する。
基本方針よりも39.2%の絶対成功率向上と、生成した合成ロールアウトによるトレーニングによる11.6%の改善を実現している。
論文 参考訳（メタデータ） (2026-02-12T15:21:47Z) - 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) - Target-Bench: Can World Models Achieve Mapless Path Planning with Semantic Targets? [25.37180619162052]
Target-Benchは、実世界の環境におけるセマンティックターゲットに向けたマップレスパス計画の世界モデルを評価するために設計された最初のベンチマークである。
SLAMに基づく地上真実軌道を用いた45のセマンティックカテゴリにまたがる450のロボットコンパイルビデオシーケンスを提供する。
我々は,Sora 2,Veo 3.1,Wanシリーズなどの最先端モデルを評価する。
論文 参考訳（メタデータ） (2025-11-21T21:36:02Z)
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。