論文の概要: WorldFailBench: Do World Models Understand Policy Failures?

• arxiv url: http://arxiv.org/abs/2610.33565v1
• Date: Sat, 24 Oct 2026 09:33:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.362683
• Title: WorldFailBench: Do World Models Understand Policy Failures?
• Title（参考訳）: WorldFailBench: 世界モデルは政策失敗を理解するか?
• Abstract要約: 世界モデルは、生成された環境でのクローズドループ相互作用を通じて補完経路を提供する。 最近のベンチマークでは、結果に基づく評価を通じて、政策評価者としての可能性を示している。 世界モデルは、どのように、どの段階でポリシーが失敗するかを忠実にシミュレートしますか?
• 参考スコア（独自算出の注目度）: 61.57923355025884
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robot policy evaluation informs deployment decisions and policy improvement, but physical testing and simulator preparation require substantial effort. World models offer a complementary route through closed-loop interaction in generated environments. Recent benchmarks have demonstrated their potential as policy evaluators through outcome-based evaluation (i.e., assessing task success or failure). However, such evaluation does not establish whether world models faithfully simulate how policies fail. Misrepresenting failures can lead to incorrect diagnoses of policy weaknesses and make policies appear ready for deployment even when small scene changes cause them to fail. We therefore ask: do world models faithfully simulate how and at which stages policies fail, and under what conditions they transition from success to failure? To answer this question, we introduce WorldFailBench with three evaluation tasks. Failure reason tests whether models reproduce the observable errors policies make. Failure stage assesses whether failures concentrate at the same stages of full-task execution. Failure boundary examines whether models reproduce the conditions under which policies transition from success to failure under controlled scene changes in simulation. The benchmark covers manipulation tasks in the LIBERO and RoboTwin simulation environments and real-world manipulation tasks performed by the G1 humanoid robot. Experiments across seven world models reveal substantial gaps in their understanding of policy failures, providing guidance for developing more reliable world models for policy evaluation.
• Abstract（参考訳）: ロボットポリシー評価は、デプロイメントの決定とポリシーの改善を通知するが、物理的なテストとシミュレータの準備にはかなりの努力が必要である。 世界モデルは、生成された環境でのクローズドループ相互作用を通じて補完経路を提供する。 最近のベンチマークでは、結果に基づく評価(タスクの成功や失敗の評価)を通じて、政策評価者としての可能性を示している。 しかし、このような評価は世界モデルが政策の失敗を忠実にシミュレートするかどうかを定めていない。 失敗を誤った表現は、誤ったポリシーの弱点を診断し、小さなシーンの変更で失敗しても、ポリシーがデプロイの準備ができるようにします。 世界モデルは、どのように、どの段階でポリシーが失敗するかを忠実にシミュレートし、成功から失敗へ移行する条件はどのようなものか? この質問に答えるために,3つの評価タスクを備えたWorldFailBenchを紹介した。 失敗原因は、モデルが観測可能なエラーポリシーを再現するかどうかをテストする。 フェールステージは、フルタスク実行の同じステージに障害が集中するかどうかを評価する。 フェールバウンダリは、シミュレーションにおいて制御されたシーン変化の下で、ポリシーが成功から失敗に遷移する条件を再現するかどうかを調べる。 このベンチマークでは、LIBEROとRoboTwinのシミュレーション環境における操作タスクと、G1のヒューマノイドロボットによる実世界の操作タスクをカバーしている。 7つの世界モデルにまたがる実験は、政策失敗に対する理解に重大なギャップを生じさせ、政策評価のためのより信頼性の高い世界モデルを開発するためのガイダンスを提供する。

関連論文リスト

• ProWorld: Multi-View World Model with Proprioceptive Feedback for Closed-Loop Policy Evaluation [59.713058162809176]
  本研究では,行動条件付き世界モデルが,実際のロボットを追従する政策成功率を持つクローズドループテスト環境として機能するかどうかを考察する。 本稿では,多視点映像とロボット状態を共同で予測する世界モデルProWorldを紹介する。 高忠実度シミュレーションで収集した相互作用の失敗によるトレーニングを増強し、生成環境におけるインフレーション成功率を低減させる。
  論文  参考訳（メタデータ） (2026-10-11T03:00:53Z)
• RIWANav: Recursive World-Action Models with Self-Improvement for Urban Navigation [15.267963499726383]
  長距離都市航法は、時間とともにエラーが複雑になるような連続した局所的な決定を必要とする。 本稿では,タスク固有の自己改善手法として,世界モデルとアクションモデル(政治)を併用したフレームワークであるRIWANAVを紹介する。 実験の結果,RIWANAVはトレーニングベースラインや先行手法よりも優れていた。
  論文  参考訳（メタデータ） (2026-10-06T16:33:01Z)
• CARE: Experience-Guided Atomic Corrective Execution for Vision-Language-Action Policies [52.32735203969873]
  VLA(Vision-Language-Action)ポリシーは、ロボット操作において強力なパフォーマンスを達成するが、実行が名目上の軌道から逸脱した後も不安定なままである。 本稿では,実行時に発生する障害から学習することで回復を改善するフレームワークであるCARE(Corrective Atomic Robotic Execution)を提案する。
  論文  参考訳（メタデータ） (2026-09-21T05:14:34Z)
• Do Robotic World Models Really Follow Actions? Diagnosing and Aligning Action-Conditioned Generation for Policy Learning [53.77164209208635]
  本稿では,視覚的整合性と軌跡アライメントを用いて,より広い行動分布を探索するWorldEchoを紹介する。 本稿では,3つの軸に沿った行動(分布カバレッジ,表現的接地,介入効果のアライメント)を強化するWorldSyncを提案する。 RoboTwinベンチマークと実ロボットタスクの実験は、WorldSyncがWorldEchoメトリクスを改善し、反復的なポリシー改善のためのより信頼性の高いシミュレータとして機能していることを示している。
  論文  参考訳（メタデータ） (2026-08-25T17:59:49Z)
• Robot Critics that Sweat the Small Stuff [44.13358184052461]
  本稿では、政策から得られた成功と失敗のロールアウトを用いて、相互進行監視を構築することによって、批評家を微調整する手法を提案する。 我々の批評家は、精密な進行推論と微妙な故障検出に優れており、先行進行推論基準よりも優れています。
  論文  参考訳（メタデータ） (2026-06-19T16:14:12Z)
• Hi-WM: Human-in-the-World-Model for Scalable Robot Post-Training [54.896907620476675]
  本稿では,学習世界モデルを用いた学習後学習フレームワークを提案する。 Hi-WMは中間状態をキャッシュし、ロールバックとブランチをサポートする。 我々は、剛性と変形性のあるオブジェクト相互作用と2つのポリシーバックボーンにまたがる3つの実世界の操作タスクについて、Hi-WMを評価する。
  論文  参考訳（メタデータ） (2026-04-23T14:42:54Z)
• WorldGym: World Model as An Environment for Policy Evaluation [41.204900701616914]
  WorldGymは、実環境のプロキシとして機能する自動回帰、アクション条件付きビデオ生成モデルである。 ポリシーはモンテカルロの世界モデルによるロールアウトを通じて評価され、視覚言語モデルが報酬を提供する。 We show that WorldGym can maintain relative policy rankings across different policy version, sizes, and training checkpoints。
  論文  参考訳（メタデータ） (2025-05-31T15:51:56Z)

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。