論文の概要: PrimeSim: A Generalist World Model Simulator from Large-Scale Cross-Embodiment Demonstrations

• arxiv url: http://arxiv.org/abs/2611.04870v1
• Date: Tue, 03 Nov 2026 13:25:52 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:35:24.577847
• Title: PrimeSim: A Generalist World Model Simulator from Large-Scale Cross-Embodiment Demonstrations
• Title（参考訳）: PrimeSim: 大規模クロス・エボディメントによる汎用的世界モデルシミュレータ
• Abstract要約: PrimeSimはアクション条件付きマルチビューワールドモデルシミュレータである。 事前訓練されたビデオジェネレータから始まり、22プラットフォームにわたる30,110時間のロボットデモを行った。 本稿では、双方向ビデオ生成装置を効率的な自己回帰シミュレータに変換する高速ビデオ・スローメモリ後処理フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 26.46585366837645
• License:
• Abstract: A robot world model that serves as a simulator must do more than generate plausible videos: it must faithfully follow commanded actions, maintain consistency across camera views, and sustain coherent long-horizon rollouts. We present PrimeSim, an action-conditioned, multiview world model simulator that addresses these challenges through progressive midtraining and posttraining. Starting from a pretrained video generator, we midtrain on 30,110 hours of robot demonstrations spanning 22 platforms. To improve action following, we introduce a unified cross-embodiment action representation and frame-aligned dual-path conditioning to strengthen action-frame correspondence. To maintain multiview consistency, we develop view-aware interleaved attention with explicit camera identities, enabling cross-view information exchange while preserving view-specific representations. We further introduce a fast-video, slow-memory posttraining framework that transforms the bidirectional video generator into an efficient autoregressive simulator. By combining fast causal generation, self-rollout training, and hierarchical temporal memory, PrimeSim mitigates error accumulation from self-generated histories and supports coherent long-horizon simulation. PrimeSim runs at 10.1 FPS, remains stable over long-horizon rollouts on rigid and deformable manipulation tasks, and transfers to held-out platforms within 100 to 200 gradient steps where the pretrained backbone does not. Against five open-source action-conditioned world models it leads four of the five WorldSimProbe suites and posts the best overall EWMBench score, while fine-grained local calibration still trails the field; its rollouts are faithful enough to support GRPO-based policy optimization. We release the model weights, inference code, and training code.
• Abstract（参考訳）: シミュレーターとして機能するロボットワールドモデルは、もっともらしいビデオを生成する以上のことをしなければならない。命令されたアクションを忠実に追従し、カメラビュー間の一貫性を維持し、一貫性のある長距離ロールアウトを維持する必要がある。 本稿では,アクション条件付き多視点世界モデルシミュレータPrimeSimについて紹介する。 事前訓練されたビデオジェネレータから始まり、22プラットフォームにわたる30,110時間のロボットデモを行った。 そこで我々は,アクション・フレーム対応を強化するために,統合されたクロス・エボディメント・アクション・表現とフレームアライン・デュアルパス・コンディショニングを導入する。 マルチビューの一貫性を維持するため、ビュー固有の表現を保ちながら、ビュー間の情報交換を可能にする。 さらに、双方向ビデオ生成装置を効率的な自己回帰シミュレータに変換する高速・低メモリ後トレーニングフレームワークを導入する。 高速因果生成、自己ロールアウトトレーニング、階層的時間記憶を組み合わせることで、PrimeSimは自己生成履歴からのエラー蓄積を軽減し、コヒーレントなロングホライゾンシミュレーションをサポートする。 PrimeSimは10.1 FPSで動作し、厳格で変形可能な操作タスクの長い水平ロールアウトよりも安定しており、事前訓練されたバックボーンが持たない100から200段階のグラデーションのプラットフォームに転送される。 オープンソースの5つのアクションコンディションの世界モデルに対して、5つのWorldSimProbeスイートのうち4つをリードし、EWMBenchスコアの最高点をポストする一方、粒度の細かいローカルキャリブレーションは依然としてこの分野に追随している。 モデルウェイト、推論コード、トレーニングコードをリリースします。

関連論文リスト

• RynnWorld-Latent: A Cross-Embodiment World Model Conditioned on Universal Latent Actions [52.064217872870806]
  本稿では、RynnLAMによって導入された3Dグラウンドの潜伏動作を共用条件インタフェースとして利用する、クロス・エンボディメント・ビデオワールドモデルであるRynnWorld-Latentを紹介する。 RynnWorld-Latentは、グローバルアクショントークンと、アクションを将来のビデオラテントと整合させるID-dローカルパスを組み合わせる。
  論文  参考訳（メタデータ） (2026-10-27T07:54:16Z)
• Video2World: Benchmarking Coding Agents for Interactive World Modeling from Embodied Videos [44.02553324785577]
  実世界の観測からインタラクティブなシミュレータを構築することは、エンボディドデータをスケールするための有望な方法である。 エージェントがエンボディ映像を観察し、対応する環境とロボットの動作を構築し、実行フィードバックによって結果を反復的に洗練するソフトウェアエンジニアリングタスクとして、エフェノミクスビデオ・シミュレーションを定式化する。 Video2Worldは、幾何学的忠実度、動的忠実度、機能的正しさ、空間的知覚、物理的推論、実行可能相互作用に沿った世界を再構成する。
  論文  参考訳（メタデータ） (2026-10-03T10:46:52Z)
• SimWAM: A Simple World Action Model for End-to-End Autonomous Driving [66.93548079427477]
  我々は、将来の映像予測を訓練時間監視信号として活用する、シンプルで効果的なWAMであるSimWAMを提案する。 孤立した注意マスクは、将来のフレームとは独立して行動予測を保持し、推論時に明示的な将来のフレーム生成なしに軌道予測を可能にする。 我々のSimWAMは、NAVSIM上の91.5 PDMSを達成し、最先端のWAMベースのプランナをはるかに低レイテンシで超越し、ゼロショットをnuScenesに転送する。
  論文  参考訳（メタデータ） (2026-08-07T17:59:09Z)
• CRAFT: Video Diffusion for Bimanual Robot Data Generation [3.1921574296387916]
  実世界のデータのコストと狭い視覚的多様性によって、デモから双方向のロボット学習が根本的に制限される。 ビデオ拡散変換器(CRAFT)を用いたCanny-Guided Robotデータ生成について述べる。 CRAFTは、アクションラベルを作成しながら、時間的にコヒーレントな操作ビデオを合成する。
  論文  参考訳（メタデータ） (2026-04-04T02:36:54Z)
• EgoSim: Egocentric World Simulator for Embodied Interaction Generation [93.11209644808783]
  EgoSimは、空間的に一貫した対話ビデオを生成するクローズドループエゴセントリックな世界シミュレータである。 連続シミュレーションのために、基礎となる3Dシーン状態を継続的に更新する。 EgoSimは、視覚的品質、空間的整合性、一般化の点で、既存の手法を大幅に上回っている。
  論文  参考訳（メタデータ） (2026-04-01T15:00:46Z)
• MobileManiBench: Simplifying Model Verification for Mobile Manipulation [70.30578259859512]
  MobileManiBenchは、モバイルベースのロボット操作のための大規模なベンチマークである。 MobileManiBenchには、2つのモバイルプラットフォーム(パラレルグリッパーとデキソラスハンドロボット)、2つの同期カメラ(頭と右手首)、630のオブジェクト(オープン、クローズ、プル、プッシュ、ピック)、5つのスキル(オープン、クローズ、プッシュ、ピック)、100以上のタスクが現実的なシーンで実行される。
  論文  参考訳（メタデータ） (2026-02-05T02:49:52Z)
• Plenoptic Video Generation [80.3116444692858]
  PlenopticDreamerは、同期時間記憶を維持するために生成幻覚を同期するフレームワークである。 中心となる考え方は、マルチインアウトのビデオ条件付きモデルを自己回帰的にトレーニングすることだ。 トレーニングでは,コンバージェンス向上のためのコンテキストスケーリング,エラー蓄積による幻覚への自己条件付け,拡張ビデオ生成をサポートする長時間ビデオコンディショニング機構が組み込まれている。
  論文  参考訳（メタデータ） (2026-01-08T18:58:32Z)
• Pre-Trained Video Generative Models as World Simulators [59.546627730477454]
  本研究では,事前学習した映像生成モデルを制御可能な世界シミュレータに変換するための動的世界シミュレーション(DWS)を提案する。 条件付き動作と生成した視覚的変化の正確なアライメントを実現するために,軽量で普遍的な動作条件付きモジュールを導入する。 実験により、DWSは拡散モデルと自己回帰変換モデルの両方に汎用的に適用可能であることが示された。
  論文  参考訳（メタデータ） (2025-02-10T14:49:09Z)

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。