PhysisForcing: Physik-verstärkter Weltsimulator für die Robotermanipulation

Zusammenfassung

Videogenerierungsmodelle haben sich als vielversprechende Paradigmen für die verkörperte Weltsimulation etabliert. Allerdings können sowohl domänenübergreifende Videogeneratoren als auch roboterspezifische, feinabgestimmte Modelle weiterhin physikalisch unplausible Manipulationen erzeugen, darunter diskontinuierliche Bewegungsbahnen und inkonsistente Roboter-Objekt-Interaktionen, was ihre Zuverlässigkeit als Weltsimulatoren einschränkt. Durch umfangreiche Experimente stellen wir fest, dass eine solche physikalische Instabilität hauptsächlich auf zwei Faktoren zurückzuführen ist: die Verformung bewegter Objekte und unplausible räumlich-zeitliche Korrelationen zwischen interagierenden Entitäten, insbesondere während des Kontakts. Basierend auf dieser Beobachtung schlagen wir PhysisForcing vor, ein skalierbares Trainingsframework, das die physikalische Konsistenz stärkt, indem es die Supervision auf physikalisch informative Regionen durch gemeinsame Optimierung von Pixelebene- und semantischen Merkmalen konzentriert. Das Framework besteht aus einem Verlust zur Angleichung von Trajektorien auf Pixelebene, der DiT-Merkmale mithilfe von Referenzpunkttrajektorien überwacht, sowie einem Verlust zur Angleichung relationaler Semantik, der DiT-Merkmale mit Beziehungen zwischen Regionen abgleicht, die aus einem eingefrorenen Video-Understanding-Encoder extrahiert wurden. Umfangreiche Experimente auf R-Bench, PAI-Bench und EZS-Bench zeigen, dass PhysisForcing die verkörperte Videogenerierung im Vergleich zu starken Baselines konsistent verbessert. So werden die Basismodelle Wan2.2-I2V-A14B und Cosmos3-Nano auf R-Bench um 22,3 % bzw. 9,2 % (7,1 % bzw. 3,7 % gegenüber herkömmlichem Feintuning) verbessert, wobei die Cosmos3-Nano-Variante die beste Gesamtbewertung erzielt. Über die Generierung hinaus erhöht PhysisForcing als Weltmodell unter dem WorldArena-Aktionsplaner-Protokoll die Erfolgsrate im geschlossenen Regelkreis von 16,0 % auf 24,0 % und verbessert zudem den Erfolg nachgelagerter Politiken – ein Hinweis darauf, dass physikalisch abgeglichene Videomodelle stärkere Repräsentationen für robotische Manipulation liefern.

English

Video generation models have emerged as a promising paradigm for embodied world simulation. However, both general-domain video generators and robot-specific data fine-tuned models can still produce physically implausible manipulations, including discontinuous motion trajectories and inconsistent robot-object interactions, which limits their reliability as world simulators. Through extensive experiments, we find that such physical instability mainly arises from two factors: deformation of moving objects and implausible spatio-temporal correlations among interacting entities, particularly during contact. Building on this observation, we propose PhysisForcing, a scalable training framework that strengthens physical consistency by focusing supervision on physics-informative regions through joint optimization of pixel-level and semantic-level features. The framework consists of a pixel-level trajectory alignment loss, which supervises DiT features using reference point trajectories, and a semantic-level relational alignment loss, which aligns DiT features with inter-region relations extracted from a frozen video understanding encoder. Extensive experiments on R-Bench, PAI-Bench, and EZS-Bench show that PhysisForcing consistently improves embodied video generation over strong baselines, improving the Wan2.2-I2V-A14B and Cosmos3-Nano base models on R-Bench by 22.3\% and 9.2\% (7.1\% and 3.7\% over vanilla finetuning), with the Cosmos3-Nano variant attaining the best overall score. Beyond generation, as a world model under the WorldArena action-planner protocol it raises the closed-loop success rate from 16.0\% to 24.0\% and further improves downstream policy success, indicating that physically aligned video models yield stronger representations for robotic manipulation.