PhysisForcing : Simulateur de monde renforcé par la physique pour la manipulation robotique

Résumé

Les modèles de génération vidéo sont devenus un paradigme prometteur pour la simulation incarnée du monde. Cependant, tant les générateurs vidéo généralistes que les modèles affinés sur des données spécifiques aux robots peuvent encore produire des manipulations physiquement invraisemblables, notamment des trajectoires de mouvement discontinues et des interactions robot-objet inconsistantes, ce qui limite leur fiabilité en tant que simulateurs de monde. À travers une série d'expériences approfondies, nous constatons que cette instabilité physique provient principalement de deux facteurs : la déformation des objets en mouvement et les corrélations spatio-temporelles invraisemblables entre entités en interaction, en particulier lors des contacts. À partir de cette observation, nous proposons PhysisForcing, un cadre d'entraînement évolutif qui renforce la cohérence physique en concentrant la supervision sur les régions informatives du point de vue physique, par l'optimisation conjointe des caractéristiques au niveau pixel et au niveau sémantique. Le cadre comprend une perte d'alignement de trajectoire au niveau pixel, qui supervise les caractéristiques DiT à l'aide de trajectoires de points de référence, et une perte d'alignement relationnel au niveau sémantique, qui aligne les caractéristiques DiT avec les relations inter-régions extraites d'un encodeur de compréhension vidéo figé. Des expériences approfondies sur R-Bench, PAI-Bench et EZS-Bench montrent que PhysisForcing améliore systématiquement la génération vidéo incarnée par rapport à des bases de référence solides, améliorant les modèles de base Wan2.2-I2V-A14B et Cosmos3-Nano sur R-Bench de 22,3 % et 9,2 % (7,1 % et 3,7 % par rapport à un finetuning standard), la variante Cosmos3-Nano obtenant le meilleur score global. Au-delà de la génération, en tant que modèle de monde dans le protocole planificateur d'actions WorldArena, il élève le taux de succès en boucle fermée de 16,0 % à 24,0 % et améliore encore le succès des politiques en aval, indiquant que les modèles vidéo alignés physiquement produisent des représentations plus robustes pour la manipulation robotique.

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.