VLA2026/8/27arXiv:2608.27033

Riemann-1.0: 物理AIのための具現化世界行動モデル

Riemann-1.0: An Embodied World Action Model for Physical AI

ロボットの行動と世界の変化を統一的な因果系列としてモデル化し、単一モデルでポリシー実行と世界シミュレーションを実現する世界行動モデルを提案。大規模データで事前学習し、シミュレーションと実世界の操作タスクで最高性能を達成。

詳しい要約

1. どんなもの？

Riemann-1.0は、身体化知能のための完全因果的autoregressive World Action Model (WAM)である。マルチビュー視覚観測、ロボット状態、身体固有のアクションを単一の因果的autoregressiveシーケンスとして統合し、ロボットのアクションと世界の進化を因果的状態遷移として表現する。オンラインのロボットポリシー実行とアクション条件付きワールドシミュレーションを単一モデルで統合し、実行可能なロボットポリシーとマルチ身体視覚ワールドシミュレータの両方として機能する。

2. 先行研究と比べてどこがすごい？

既存のWAMは、joint generation、video-first prediction、またはdecoupled modelingパラダイムに基づくものが多いが、Riemann-1.0はこれらとは異なり、ロボットポリシー実行とワールドシミュレーションを単一モデルで統合する。さらに、heterogeneousなデータソース（egocentric human videos、handheld-gripper demonstrations、heterogeneous robot trajectories）を共通のWorld Action Modeling目的で学習するprogressive embodied pretrainingフレームワークを開発し、大規模な身体化経験を実行可能なロボット操作能力に変換する点が新しい。

3. 技術・手法の肝は？

手法の肝は、完全因果的autoregressiveシーケンスとしてマルチビュー視覚観測、ロボット状態、アクションを統合するWorld Action Modelingと、heterogeneousデータを共通目的で学習するprogressive embodied pretrainingフレームワークである。これにより、単一モデルでポリシー実行とワールドシミュレーションを実現し、200K+時間のインタラクションデータから大規模な身体化経験をロボット操作能力に転移する。

4. どうやって有効だと検証した？

シミュレーションベンチマークと実世界操作タスクの両方で評価した。RoboTwin2.0で94.3%、LIBEROで99.0%、長期的な構成ベンチマークRoboCasa-365で62.6%の成功率を達成し、従来の最良手法を8.4%上回った。実世界の長期的操作タスクでは、成功率85.0%、Progress Success Rate (PSR) 94.4%を達成し、最強のオープンソースベースラインをSRで15%上回った。

5. 議論はある？

要旨からは、議論や限界についての具体的な記述は不明。ただし、提案手法が大規模データと統一モデルにより一般化可能な操作能力を実現することを示しているが、データの多様性やモデルのスケーラビリティ、実世界での堅牢性などに関する議論は要旨には含まれていない。

6. 次に読むべき論文は？

要旨で参照されている関連研究として、既存のWAM（joint generation、video-first prediction、decoupled modelingパラダイム）や、RoboTwin2.0、LIBERO、RoboCasa-365などのベンチマークが挙げられる。また、progressive pretrainingの関連として、egocentric human videosやhandheld-gripper demonstrationsを用いた研究が考えられる。具体的な論文名は要旨にないため、同分野の定番として、World ModelsやRobot Manipulationのための大規模事前学習に関する論文を読むことが推奨される。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Haofeng Sun, Jiangbo Pei, Fei Kang, Zexiang Liu, Yaokun Li, Boyi Jiang, Hua Xue, Cindy Zhou, Wei Li, Yichen Wei, Mengyin An, Fanliang Zhao, Biao Jiang, Zile Wang, Yang Liu, Yangguang Li

分類: cs.RO

原文アブストラクト

We introduce Riemann-1.0, a fully causal autoregressive World Action Model for embodied intelligence. Riemann-1.0 jointly models multi-view visual observations, robot states, and embodiment-specific actions within a unified causal autoregressive sequence, representing robot actions and world evolution as causal state transitions. Unlike existing WAMs based on joint generation, video-first prediction, or decoupled modeling paradigms, Riemann-1.0 unifies online robot policy execution and action-conditioned world simulation within a single model, enabling it to function as both an executable robot policy and a multi-embodiment visual world simulator. To scale embodied experience across heterogeneous data sources, we further develop a progressive embodied pretraining framework that unifies learning from egocentric human videos, handheld-gripper demonstrations, and heterogeneous robot trajectories under a shared World Action Modeling objective. Built upon 200K+ hours of interaction data, Riemann-1.0 progressively transfers large-scale embodied experience into executable robot manipulation capabilities. Riemann-1.0 achieves state-of-the-art performance across both simulation benchmarks and real-world manipulation tasks. It achieves success rates of 94.3% on RoboTwin2.0, 99.0% on LIBERO, and 62.6% on the long-horizon compositional benchmark RoboCasa-365, outperforming the previous best method by 8.4% On long-horizon real-world manipulation tasks, Riemann-1.0 achieves a Success Rate (SR) of 85.0% and a Progress Success Rate (PSR) of 94.4%, exceeding the strongest open-source baseline by 15% in SR. These results demonstrate that unified World Action Modeling together with progressive embodied pretraining effectively transforms large-scale embodied experience into generalizable robot manipulation capabilities.

arXivで原文を読む →arXiv概要ページ