論文の概要: RoboWorM: Evaluating Movement Realism, Consistency and Acceleration Affects in Embodied Video World Models
- arxiv url: http://arxiv.org/abs/2610.33807v1
- Date: Sat, 24 Oct 2026 17:11:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.450931
- Title: RoboWorM: Evaluating Movement Realism, Consistency and Acceleration Affects in Embodied Video World Models
- Title（参考訳）: RoboWorM: 身体的ビデオワールドモデルにおける運動リアリズム, 一貫性, 加速度の影響の評価
- Abstract要約: ビデオワールドモデル(VWM)は、ロボット操作のためのスケーラブルなニューラルシミュレータとして急速に発展しつつある。
ほとんどのベンチマークでは、厳密な3次元空間的推論とキネマティック推論を欠いたビジョンランゲージモデル(VLM)を使用して、それらをオープンワールドビデオジェネレータとしてのみ評価している。
このギャップを埋めるために、包括的で既知のハードウェア事前ベンチマークであるRoboWorMを紹介します。
我々は,RoboWorMが表面的な視覚的品質を維持しつつ,配置クリティカルな物理的制約を黙秘的に克服できることを実証する。
- 参考スコア（独自算出の注目度）: 78.10886118053115
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Video world models (VWMs) are rapidly emerging as scalable neural simulators for robotic manipulation. However, most benchmarks only evaluate them as open-world video generators, using Vision-Language Models (VLMs) that lack strict 3D spatial and kinematic reasoning. To bridge this gap, we introduce RoboWorM, a comprehensive, deployment-aware benchmark that leverages known hardware priors such as robot kinematic trees and fixed camera configurations, to systematically examine structural and spatiotemporal fidelity. RoboWorM curates 1,605 episodes across single-arm, bimanual, and humanoid morphologies, spanning both Markovian and long-horizon non-Markovian tasks under single- and multi-view setups. To explicitly measure physical consistency, we propose two deterministic, VLM-free metrics: KIVA for intra-view kinematic stability, and RIGIS for multi-view geometric consistency. By exploiting intrinsic robotic invariants, KIVA improves hallucination detection alignment with human annotations by 25.8% relative to the strongest frontier VLMs, while RIGIS achieves a 130% higher Spearman correlation with human preferences. Furthermore, since real-world deployment requires low inference latency, we utilize RoboWorM to conduct the first large-scale audit of the quality-efficiency trade-off. Evaluating 9 state-of-the-art acceleration techniques across 3 leading world models (over 29,000 generated rollouts), we demonstrate how these acceleration methods can retain superficial visual quality while silently compromising deployment-critical physical constraints. Using our metrics, we achieve 2.3$\times$ maximum inference speed-up with minimal quality loss.
- Abstract（参考訳）: ビデオワールドモデル(VWM)は、ロボット操作のためのスケーラブルなニューラルシミュレータとして急速に発展しつつある。
しかし、ほとんどのベンチマークでは、厳密な3次元空間的およびキネマティックな推論を欠いたビジョンランゲージモデル(VLM)を用いて、それらをオープンワールドビデオジェネレータとしてのみ評価している。
このギャップを埋めるために、ロボットキネマティックツリーや固定カメラ構成といった既知のハードウェアの先行性を活用して、構造的および時空間忠実度を体系的に検証する、包括的なデプロイメント対応ベンチマークであるRoboWorMを導入する。
RoboWorMは、シングルアーム、バイマナル、ヒューマノイドの2つの形態で1,605エピソードをキュレートし、Markovianタスクと長期のMarkovianタスクの両方にまたがる。
物理的整合性を明確に評価するために,視内運動安定のためのKIVAと多視点幾何整合性のためのRIGISの2つの決定論的自由度指標を提案する。
固有のロボット不変量を活用することにより、KIVAは人間のアノテーションとの幻覚検出アライメントを最強のフロンティアVLMと比較して25.8%改善し、RIGISは人間の好みとスピアマンの関係を130%高めている。
さらに、実世界のデプロイメントは低推論レイテンシを必要とするため、私たちはRoboWorMを使用して、品質と効率のトレードオフを初めて大規模に監査します。
3つの先進的世界モデル(29,000回以上のロールアウト)にまたがる9つの最先端加速技術の評価を行い、これらの加速手法が、配置クリティカルな物理的制約を黙秘的に妥協しつつ、表面的な視覚的品質を維持することができることを示した。
測定値を用いて、2.3$\times$ max inference speed-upを最小品質の損失で達成します。
関連論文リスト
- ZimaBlue: Evolving Generalizable World Action Models through Scalable Video Pre-training [93.39352617578857]
大規模ビデオから一般化可能なワールドアクションモデルを学ぶためのフレームワークであるZimaBlueを紹介した。
ZimaBlueは3段階のトレーニングカリキュラムに従っており、まず大規模な人間とロボットの自我中心のビデオで因果的エンボディドビデオの事前トレーニングを行う。
ZimaBlueはさらに複数のベンチマークで高いパフォーマンスを実現している。
論文 参考訳（メタデータ） (2026-08-31T18:09:52Z) - AcrossVAM1.0: Particle World Modeling for Text-Assisted Robot Video Prediction [14.556446786016787]
AcrossVAM1.0は、将来の予測をオブジェクト中心の動きと高密度な外観に分解する軽量なテキスト支援ビデオアクションモデルである。
因果的デュアルストリームデコーダは、最後のフレームからのみ符号化された外観とパーティクルレンダリングされた動きを結合する。
多様な実ロボット軌道から構築したVRSベンチマークでは、粒子動力学は持続性よりも誤差を21.0%削減する。
論文 参考訳（メタデータ） (2026-08-28T16:19:24Z) - Towards simultaneous decoding of kinetic and kinematic movement parameters during grasp and lift task by noninvasive brain imaging [7.727905404396572]
ブレイン・マシン・インタフェース(BMI)は、脳卒中生存者やアンプなど、限られた移動能力を持つ個人を支援することができる。
BMIの開発における重要な課題の1つは、ユーザビリティとコントロールの拡大であり、複数の運動パラメータと運動パラメータを正確にデコードすることで達成できる。
脳波信号から複数の動きパラメータを復号するために,最小二乗回帰器,多層パーセプトロン,アテンションベース回帰器の3つの回帰モデルを提案する。
論文 参考訳（メタデータ） (2026-07-27T07:22:38Z) - 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) - World-Coordinate Human Motion Retargeting via SAM 3D Body [0.3735787582927221]
本稿では,SAM 3D Bodyを凍結した知覚バックボーンとして活用するフレームワークを提案する。
再建された動きを、キネマティクスを意識した2段逆キネマティクスパイプラインを用いて、ユニツリーG1ヒューマノイドに再ターゲティングする。
その結果,本手法は安定な世界軌道と信頼性のあるロボット表現を有することが明らかとなった。
論文 参考訳（メタデータ） (2025-12-25T08:30:04Z) - RoboTracer: Mastering Spatial Trace with Reasoning in Vision-Language Models for Robotics [53.053660003572965]
本稿では,3次元空間参照と計測の両方を初めて実現した3D対応VLMであるRoboTracerを提案する。
RoboTracerは、強化微調整により、多段階のメートル法推論を進める。
本稿では,空間的トレーシングを評価する上で困難なベンチマークであるTraceSpatial-Benchを提案する。
論文 参考訳（メタデータ） (2025-12-15T18:52:43Z) - SONIC: Supersizing Motion Tracking for Natural Humanoid Whole-Body Control [85.91101551600978]
モデルキャパシティ,データ,計算のスケールアップにより,自然かつ堅牢な体の動きを生成できる汎用的なヒューマノイドコントローラが得られることを示す。
我々は、ネットワークサイズ、データセットボリューム、計算の3つの軸に沿ってスケーリングすることで、モーショントラッキングのための基礎モデルを構築します。
本研究では,(1)動作追跡を下流タスク実行にブリッジし,自然かつインタラクティブな制御を可能にするリアルタイムユニバーサルキネマティックプランナ,(2)様々な動作入力インタフェースをサポートする統一トークン空間の2つのメカニズムにより,モデルの実用性を示す。
論文 参考訳（メタデータ） (2025-11-11T04:37:40Z) - RoboRefer: Towards Spatial Referring with Reasoning in Vision-Language Models for Robotics [67.11221574129937]
空間参照は、3D物理世界と相互作用するエンボディロボットの基本的な能力である。
本稿では,まず空間的理解を正確に行うことのできる3次元VLMであるRoboReferを提案する。
RoboReferは、強化微調整による一般化された多段階空間推論を推進している。
論文 参考訳（メタデータ） (2025-06-04T17:59:27Z) - S3MOT: Monocular 3D Object Tracking with Selective State Space Model [3.5047603107971397]
3次元空間における多物体追跡は、ロボット工学とコンピュータ応用の進歩に不可欠である。
2Dビデオストリームからの3Dアソシエーションのマイニングが難しいため、モノラルなセットアップでは依然として大きな課題である。
モノクローナル3次元MOTのための不均一なキューの融合を促進するための3つの革新的な技術を提案する。
論文 参考訳（メタデータ） (2025-04-25T04:45:35Z)
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。