VLA2026/8/31arXiv:2609.00188v1

ZimaBlue: スケーラブルなビデオ事前学習による汎化可能な世界行動モデルの進化

ZimaBlue: Evolving Generalizable World Action Models through Scalable Video Pre-training

大規模な一人称視点ビデオからロボット制御のための世界行動モデルを学習するフレームワークを提案し、実機ゼロショット評価で成功率を大幅に向上させた。

詳しい要約

1. どんなもの？

ZimaBlueは、大規模なビデオ事前学習から汎用的なWorld Action Models (WAMs)を学習するためのスケーラブルなフレームワークである。ロボット操作の汎化には多様な物理的経験が必要だが、行動ラベル付きロボット軌道は収集コストが高く多様性に限界がある。そこで、豊富なエゴセントリックビデオを活用し、行動ラベルなしの視覚経験をロボット制御に変換する。3段階の学習カリキュラム（因果的エゴセントリックビデオ事前学習、統一行動表現によるビデオ-行動中間学習、ターゲットロボットへの特化）と、非同期のSlow-Fast二重システムアーキテクチャを採用し、リアルタイム制御を実現する。

2. 先行研究と比べてどこがすごい？

従来のロボット操作学習は、行動ラベル付きデータに依存しており、その収集コストと多様性の限界がスケーリングの障壁となっていた。ZimaBlueは、行動ラベルなしの大規模エゴセントリックビデオを活用することで、よりスケーラブルな経験ソースを導入し、汎化性能を大幅に向上させた点が革新的である。また、生成的なWAMをリアルタイム制御に実用的にするため、Slow-Fastアーキテクチャを導入し、NVIDIA RTX 4090上で30Hzの行動予測を達成している。

3. 技術・手法の肝は？

手法の核は3段階の学習カリキュラムと非同期Slow-Fastアーキテクチャである。まず、大規模な人間とロボットのエゴセントリックビデオで因果的ビデオ事前学習を行い、視覚ダイナミクスを学習する。次に、統一された行動表現を用いて、異種ロボット軌道に視覚ダイナミクスを接地するビデオ-行動中間学習を行う。最後に、ターゲットロボットに特化して展開する。さらに、高容量のSlowワールドモデルが汎用的な時空間表現を提供し、軽量なFastブランチが高速な行動予測を担当する非同期デュアルシステムにより、リアルタイム制御を実現する。

4. どうやって有効だと検証した？

実ロボットのゼロショット評価において、ターゲットロボットのデータのみを使用した場合と比較し、120,000時間以上のエゴセントリックビデオを追加することで、成功率が36.1%から77.8%に向上した。さらに、複数のベンチマークで強い性能を発揮し、特に未見タスクでの顕著な改善が見られた。

5. 議論はある？

要旨からは、計算コストやデータのバイアス、他のロボットプラットフォームへの適用可能性などに関する議論は不明である。また、ビデオ事前学習のスケール効果は示されているが、データの質や多様性の影響についての詳細な分析は要旨に含まれていない。

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、エゴセントリックビデオを利用したロボット学習、World Models、ビデオ事前学習、およびロボット操作のための模倣学習に関する論文が挙げられる。具体的には、Ego4DやSomething-Somethingなどの大規模ビデオデータセットを用いた研究や、World Modelsに関する代表的な論文（例: Dreamer）が関連する。

※ 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: Xionghao Wu, Yijun Yang, Shiyang Zhou, Haoze Sun, Jianhui Liu, Songsong Yu, Jiyao Zhang, Wenbo Li, Bo Wang, Guoqing Ma, Lin Song, Renjie Liao, Shenghe Zheng, Wei Tang, Xiaojuan Qi, Yanwei Li, Yuan Zhang, Zhuotao Tian, Haoyang Huang, Nan Duan

分類: cs.CV

原文アブストラクト

Robotic manipulation faces a fundamental scaling challenge: robust generalization demands broad physical experience, yet action-labeled robot trajectories are expensive to collect and inherently limited in diversity. Egocentric videos offer a far more scalable source of embodied experience, capturing object interactions, contact dynamics, tool use, and long-horizon behaviors across diverse environments. The central challenge is how to convert this abundant but action-free experience into effective robot control. We introduce ZimaBlue, a scalable framework for learning generalizable World Action Models (WAMs) from large-scale video. ZimaBlue follows a three-stage training curriculum: it first performs causal embodied video pre-training on large-scale human and robot egocentric videos, then grounds the learned visual dynamics in heterogeneous robot trajectories through video-action mid-training with a unified action representation, and finally specializes the model to a target robot for deployment. To make generative WAMs practical for real-time control, ZimaBluefurther adopts an asynchronous Slow-Fast dual-system architecture, where a high-capacity Slow world model provides generalizable spatiotemporal representations and a lightweight Fast branch enables 30 Hz action prediction on NVIDIA RTX 4090. On real-robot zero-shot evaluations, scaling from target-robot data alone to over 120,000 hours of embodied video improves success from 36.1% to 77.8%. ZimaBlue further delivers strong performance across multiple benchmarks, with particularly pronounced gains on unseen tasks.

arXivで原文を読む →arXiv概要ページ