複数ロボットを1つの世界モデルで制御するWorld Dreamer v5-lite

- 複数ロボットの制御を対象とした world-action model。 - 分散した複数 camera view を統合しつつ、ロボットごとに別々の action sequence を予測する。 - 共有 world state を中心に据え、robot-specific な action を出す構成。 - 単一ロボット向けが多い VLA / world-action model 群とは異なり multi-robot 設定を狙う。

- 既存の vision-language-action / world-action model の多くは単一ロボット向け。 - 単に複数 view を結合するだけでは view 間の spatial correspondence が得られない、という課題を指摘。 - 共有 world state により、view 追加時も spatial size を固定できる点が特徴。 - RoboFactory で mean success 74.0%、最強 baseline 比 +23.7pt。 - 実ロボット4タスクで 78.8%、+13.8pt。RoboCasa365 で 58.08%。

- pretrained video encoder の calibrated features を workspace coordinates 上に配置し、共有 world state を構成。 - world state の spatial size は view 数が増えても固定。 - vision-language model が scene context とロボットごとの query を1つずつ提供。 - query は共有 state を読み、pose-aware 情報を交換するが、action stream は分離。 - masked-view cooperative training: 一部 camera view を両 visual branch から隠しつつ全 action target は保持し、他ロボット由来の観測利用を促す。

- 20種類の simulated robot、RoboFactory、実ロボット由来の 10,000 時間超の trajectory で pretraining。 - RoboFactory で mean success 74.0%（最強 baseline 比 +23.7pt）。 - 実ロボット4タスクで mean success 78.8%（+13.8pt）。 - RoboCasa365 で overall 58.08%。

- 複数 view の単純結合では spatial correspondence が取れないという問題設定への対処が議論の中心。 - masked-view cooperative training が他ロボットの観測共有を促す効果を持つと述べる。 - ただし ablation や失敗事例、限界に関する記述は要旨からは不明。

- RoboFactory（本論文の主要評価 benchmark）。 - RoboCasa365（本論文で評価に使用）。 - vision-language-action model / world-action model の代表的研究（要旨では個別名の参照なし）。 - pretrained video encoder を用いる world model 系の関連研究。