論文の概要: BWM-Forge: Agentic World Programming for Embodied Intelligence
- arxiv url: http://arxiv.org/abs/2611.16221v1
- Date: Thu, 12 Nov 2026 03:14:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.348293
- Title: BWM-Forge: Agentic World Programming for Embodied Intelligence
- Title(参考訳): BWM-Forge: エージェント・ワールド・プログラミング
- Abstract要約: ロボット工学における制御可能なビデオ生成のためのコード駆動フレームワークであるBWM-Forgeを提案する。
符号化エージェントは、オブジェクト、ロボットの動き、カメラを指定する編集可能なブレンダーシーンプログラムを構築する。
マルチエージェントハーネスは、入力処理、シーン構築、レビュー、レンダリングを調整する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Generating diverse robot videos requires control over scene geometry, robot motion, and viewpoints. End-to-end video generation offers limited direct access to these variables, making targeted edits and reuse across tasks difficult. We present BWM-Forge, a code-driven framework for controllable video generation in robotics. Given robot assets and a task description, the framework accepts an initial image, an image with motion data, or a human demonstration video. A coding agent constructs editable Blender scene programs that specify objects, robot motion, and cameras. The resulting proxy videos provide structural and motion references for a video generation model, which adds visual detail. A multi-agent harness coordinates input processing, scene construction, review, and rendering. Automated evaluation and user feedback support iterative refinement, while an experience repository stores and retrieves reusable modeling and rendering rules. This design supports multiple robot embodiments, synchronized viewpoints, and appearance variation from a shared scene program. We evaluate the framework on 15 tasks covering five robot types. Compared with LingBot-World Base Cam on these tasks, BWM-Forge achieves higher aesthetic quality, imaging quality, subject and background consistency, motion smoothness, and RoboJudge-9B physical adherence and instruction alignment scores. The baseline scores higher in dynamic degree. Qualitative cases illustrate viewpoint control, scene variation, feedback-driven edits, and experience reuse across scenes. These results demonstrate a practical approach to generating controllable robot videos through editable, executable scene representations.
- Abstract(参考訳): 多様なロボットビデオを生成するには、シーンの幾何学、ロボットの動き、視点の制御が必要である。
エンドツーエンドのビデオ生成では、これらの変数への直接アクセスが制限され、タスク間の編集や再利用が困難になる。
ロボット工学における制御可能なビデオ生成のためのコード駆動フレームワークであるBWM-Forgeを提案する。
ロボットの資産とタスク記述が与えられた場合、このフレームワークは初期画像、モーションデータ付き画像、あるいは人間のデモビデオを受け入れる。
符号化エージェントは、オブジェクト、ロボットの動き、カメラを指定する編集可能なブレンダーシーンプログラムを構築する。
結果として生成されたプロキシビデオは、ビデオ生成モデルのための構造的およびモーション的参照を提供し、視覚的詳細を付加する。
マルチエージェントハーネスは、入力処理、シーン構築、レビュー、レンダリングを調整する。
自動評価とユーザフィードバックは反復的な改善をサポートし、エクスペリエンスリポジトリは再利用可能なモデリングとレンダリングルールを格納し、取り出す。
このデザインは、複数のロボットの実施、同期された視点、共有シーンプログラムからの外観変化をサポートする。
5種類のロボットを対象とする15のタスクにおけるフレームワークの評価を行った。
これらのタスクでLingBot-World Base Camと比較すると、BWM-Forgeはより美的品質、画像品質、被写体と背景の一貫性、運動の滑らかさ、RoboJudge-9Bの物理的付着と指示アライメントスコアを達成している。
ベースラインは動的に高いスコアを得る。
質的なケースでは、視点制御、シーンのバリエーション、フィードバック駆動編集、シーン全体の再利用経験などが説明されている。
これらの結果は、編集可能で実行可能なシーン表現を通じて、制御可能なロボットビデオを生成するための実践的なアプローチを示す。
関連論文リスト
- CineRecon: Benchmarking Frontier Models for Agentic Cinematic Reconstruction [66.03273027109962]
編集可能なダイナミック3Dシーンとしてレファレンスビデオを再構築することは、映画製作のための制御可能なビデオ生成への重要な道である。
CineReconは、50の参照ビデオと360の注釈付き評価クリップからなるベンチマークである。
この設計は、詳細な外観が不要な場合、エージェントがビデオ内のイベントを再現できるかどうかをテストする。
論文 参考訳(メタデータ) (2026-10-12T10:57:18Z) - Robotizing Human Videos with Physically Consistent Interactions [54.27025073220947]
ビデオ編集の手法は手でレンダリングされたロボットに取って代わるが、不正確なインタラクションの再構築は不整合の把握を生み出す。
これらの障害には、相互作用幾何学とシーン可視性という2つの相補的な物理的側面から対処する。
その結果得られたビデオは、人間のデモの相互作用構造をロボット互換の形で保存し、ロボットのデモと共同で訓練される。
論文 参考訳(メタデータ) (2026-10-05T11:08:50Z) - V2-STRep: VLM-Grounded Structured Task Representations for Reusable Robot Skills Acquired from Generated Videos [7.475708314963595]
V2-STRepは、VLMで構築されたタスク表現を通じて、生成された動画の動きを再利用可能なロボットスキルに変換するフレームワークである。
VLMを用いた2次元画像空間キューをRGB-D観測により3次元にリフトし,課題形状と候補把握ポーズを再構成する。
6つの実世界の操作タスクの実験では、ベースラインを越えた実行の成功、得られたスキルの信頼性の高いクロスシーン転送、変更したデプロイメント命令への適応が示されている。
論文 参考訳(メタデータ) (2026-09-17T15:37:34Z) - AnyWorld: Factorized Egocentric World Models for Cross-Embodiment Generalization [88.25615187835321]
我々は,クロス・エボディメント・ワールド・モデリング・フレームワークであるAnyWorldを提案する。
私たちのモデルは、アクション、カメラ、エンボディメントへのインタラクションを分解します。
大規模なヒューマンインタラクション事前トレーニングでモデルをトレーニングする。
論文 参考訳(メタデータ) (2026-08-29T12:55:15Z) - Masked Visual Actions for Unified World Modeling [96.12988421978463]
Masked Visual Actionsは、ビデオ内の任意の実体の部分的に明らかな軌跡としてアクションを表現するピクセル空間制御インタフェースである。
Revealing Robot Motionは、このモデルをフォワードダイナミクスモデルとして機能させ、低レベルのロボット動作に対するシーンの反応を予測する一方で、望ましい物体の動きを明らかにすることにより、同じモデルがロボットの動作をその結果と一致させる。
論文 参考訳(メタデータ) (2026-07-21T17:59:11Z) - SWEET: Sparse World Modeling with Image Editing for Embodied Task Execution [61.612676324369595]
画像編集モデルがロボット操作のための疎視世界モデルとして機能するかどうかを考察する。
本稿では,一括予測型視覚計画フレームワークSWEETを提案する。
DROIDとRoboMimicの実験では、SWEETは見知らぬシーンの予測を改善している。
論文 参考訳(メタデータ) (2026-05-19T03:54:46Z) - Robotic Manipulation by Imitating Generated Videos Without Physical Demonstrations [19.28925489415787]
RIGVidは、AI生成ビデオの模倣により、ロボットが複雑な操作タスクを実行できる。
ビデオ拡散モデルは潜在的なデモビデオを生成し、視覚言語モデルはコマンドに従わない結果を自動的にフィルタリングする。
6Dポーズトラッカーは、ビデオからオブジェクトの軌跡を抽出し、その軌跡をエンボディメント非依存の方法でロボットに再ターゲティングする。
論文 参考訳(メタデータ) (2025-07-01T17:39:59Z) - Generative Camera Dolly: Extreme Monocular Dynamic Novel View Synthesis [43.02778060969546]
制御可能な単分子動的ビュー合成パイプラインを提案する。
我々のモデルは入力として深度を必要としないし、明示的に3次元シーン形状をモデル化しない。
私たちのフレームワークは、リッチな動的シーン理解、ロボット工学の知覚、バーチャルリアリティのためのインタラクティブな3Dビデオ視聴体験において、強力なアプリケーションをアンロックできる可能性があると考えています。
論文 参考訳(メタデータ) (2024-05-23T17:59:52Z)
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。