論文の概要: Xiaomi Auto World Model 2.0: Causal World Models for Real-World Driving and Embodied Intelligence

• arxiv url: http://arxiv.org/abs/2611.01677v1
• Date: Sun, 01 Nov 2026 07:53:48 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:19:31.077124
• Title: Xiaomi Auto World Model 2.0: Causal World Models for Real-World Driving and Embodied Intelligence
• Title（参考訳）: Xiaomi Auto World Model 2.0: 現実世界の運転と身体のインテリジェンスのための因果世界モデル
• Abstract要約: Xiaomi Auto World Model 2.0は、物理AIのための統合ストリーミング因果世界モデルである。 現実世界の因果進化をモデル化し、生成する。 物理AIのための世界状態予測、ポリシー学習、アクション生成をサポートする。
• 参考スコア（独自算出の注目度）: 30.627743453322566
• License:
• Abstract: We present Xiaomi Auto World Model 2.0, a unified streaming causal world model for Physical AI. It models and generates causal physical evolution in the real world, and unifies heterogeneous conditioning inputs for view-consistent generation. The architecture integrates View-Temporal Attention (VTA) to capture cross-view spatial dependencies and temporal dynamics, together with Multi-view Rotary Position Encoding (RoPE) to encode positional relationships across views and time. WorldRec 2.0 reconstructs static and dynamic 3D Gaussians from multi-view, multi-temporal observations in a single forward pass and uses their renderings as explicit scene context to preserve geometry and appearance during long-horizon generation. Conditioning inputs are fused through VAE latent concatenation in a shared representation space. We incorporate Gated Linear Attention (GLA) into the temporal layers of VTA for efficient streaming inference, reducing computation and KV-cache memory during multi-view rollouts. A physical-interaction data pipeline covers diverse interactions and long-tailed events. From Pre-train onward, these data are combined with large-scale videos and heterogeneous visual modalities to learn visual, geometric, and dynamic priors. During Mid-train, training across diverse view configurations further improves the model's ability to capture how actions and object states shape subsequent scene evolution. After distillation-based Post-train, we apply the model to closed-loop simulation, closed-loop training, and World Action Model (WAM) applications. These applications generate physically consistent future states and support world-state prediction, policy learning, and action generation for Physical AI.
• Abstract（参考訳）: 我々は,物理AIのための統合ストリーミング因果世界モデルであるXiaomi Auto World Model 2.0を紹介する。 実世界で因果的物理的進化をモデル化し生成し、ビュー一貫性生成のための異種条件付け入力を統一する。 このアーキテクチャは、ビュー・テンポラル・アテンション(VTA)を統合して、ビュー間の空間的依存関係と時間的ダイナミクスをキャプチャし、複数ビュー回転位置エンコーディング(RoPE)と組み合わせて、ビューと時間間の位置関係をエンコードする。 WorldRec 2.0は、静的かつダイナミックな3Dガウスを、1つの前方通過で多視点・多時間観測から再構築し、それらのレンダリングを明示的なシーンコンテキストとして使用して、長期水平発生時の幾何学と外観を保存する。 条件入力は、共有表現空間内のVAE潜在結合を介して融合される。 我々は,VTAの時間層に Gated Linear Attention (GLA) を組み込んで,マルチビューロールアウト時の効率的なストリーミング推論,計算量削減,KV-cacheメモリについて検討した。 物理相互作用データパイプラインは、多様なインタラクションと長い尾のイベントをカバーしている。 プレトレイン以降、これらのデータは大規模ビデオと異種視覚モダリティと組み合わせて視覚的、幾何学的、動的事前学習を行う。 トレーニング中、さまざまなビュー構成のトレーニングにより、アクションやオブジェクト状態がその後のシーンの進化をどのように形成するかをキャプチャするモデルの能力が向上する。 蒸留後, 閉ループシミュレーション, 閉ループ訓練, ワールドアクションモデル (WAM) に適用する。 これらのアプリケーションは物理的に一貫した将来状態を生成し、物理AIのための世界状態予測、ポリシー学習、アクション生成をサポートする。

関連論文リスト

• FOCAL-VLA: Subtask-Guided Geometry Distillation and Implicit World Modeling for Vision-Language-Action Models [13.38163309445598]
  FOCAL-VLAは、サブタスク誘導幾何蒸留と暗黙の世界モデリングを組み合わせたフレームワークである。 FOCAL-VLAはシミュレーションベンチマークと実世界の操作タスクの両方でベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-09-18T02:18:34Z)
• World2VLM: Distilling World Model Imagination into VLMs for Dynamic Spatial Reasoning [18.658825757342544]
  視覚言語モデル (VLM) は静的視覚理解において高い性能を示した。 彼らは今でも、エゴセントリックな動きの下でのシーンの進化を想像する必要がある、ダイナミックな空間的推論に苦慮している。 生成世界モデルから視覚言語モデルに空間的想像力を蒸留するトレーニングフレームワーク World2VLM を提案する。
  論文  参考訳（メタデータ） (2026-04-29T17:48:01Z)
• Matrix-Game 3.0: Real-Time and Streaming Interactive World Model with Long-Horizon Memory [53.39687409541093]
  Matrix-Game 3.0は、720pのリアルタイムビデオ生成用に設計されたメモリ拡張型インタラクティブワールドモデルである。 データ、モデル、推論にまたがる体系的な改善を導入する。 実験結果から, Matrix-Game 3.0は最大40FPSのリアルタイム生成を実現し, 5Bモデルで720pの解像度を実現した。
  論文  参考訳（メタデータ） (2026-04-10T06:00:09Z)
• MotionScape: A Large-Scale Real-World Highly Dynamic UAV Video Dataset for World Models [6.680381992984212]
  我々は,世界モデリングのための高ダイナミックな動きを持つ大規模実世界のUAVviewビデオデータセットであるMotionScapeを紹介する。 MotionScapeには4K UAVビュービデオが30時間以上含まれており、合計4.5Mのフレームがある。 このデータセットはセマンティックで幾何学的に整合したトレーニングサンプルを備えており、様々な現実世界のUAVビデオが正確な6-DoFカメラ軌道ときめ細かい自然言語記述と密結合されている。
  論文  参考訳（メタデータ） (2026-04-09T08:59:40Z)
• RAYNOVA: Scale-Temporal Autoregressive World Modeling in Ray Space [51.441415833480505]
  RAYNOVAは、二重因果自己回帰フレームワークを使用するシナリオを駆動するための多視点世界モデルである。 相対的なシャーカー線位置符号化に基づいて、ビュー、フレーム、スケールにまたがる等方的時間的表現を構築する。
  論文  参考訳（メタデータ） (2026-02-24T08:41:40Z)
• Learning Primitive Embodied World Models: Towards Scalable Robotic Learning [50.32986780156215]
  我々は,世界モデリングのための新しいパラダイム--Primitive Embodied World Models (PEWM)を提案する。 ビデオ生成を固定的な短地平線に制限することにより,ロボット行動の言語概念と視覚的表現の微妙なアライメントを可能にする。 我々のフレームワークは、きめ細かい物理的相互作用と高レベルの推論のギャップを埋め、スケーラブルで解釈可能で汎用的なインテリジェンスへの道を開く。
  論文  参考訳（メタデータ） (2025-08-28T14:31:48Z)
• InterDyn: Controllable Interactive Dynamics with Video Diffusion Models [50.38647583839384]
  我々は、初期フレームと駆動対象またはアクターの動作を符号化する制御信号が与えられたインタラクティブな動画像を生成するフレームワークであるInterDynを提案する。 我々の重要な洞察は、大規模なビデオ生成モデルは、大規模ビデオデータからインタラクティブなダイナミクスを学習し、ニューラルと暗黙の物理シミュレーターの両方として機能できるということです。
  論文  参考訳（メタデータ） (2024-12-16T13:57:02Z)

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。