予測された動力学は物理世界に存在し得るか？

要旨

予測物理的人工知能システムは、状態ロールアウト、アクションチャンク、および潜在計画を出力するが、低い二乗平均平方根誤差（RMSE）は特定の提案が物理的に実行可能であることを意味しない。我々は物理的許容性を予測制御インターフェースとして定式化する。実行前に、復号された提案は候補動的挙動として扱われ、運動学的、動的、および直接合成ホライズン条件を用いて評価される。合格はタスク成功の証明ではなく、拒否は指定された物理的包絡線の違反を特定し、コンポーネントレベルの理由を与える。Hugging Face LeRobot PushTにおいて、制御反証により、一段階予測RMSEと標準化動的残差が受信者動作特性曲線下面積（AUC）0.982および0.972に達し、運動学のみの条件はAUC 0.592に達し、完全ゲートは条件レベルの帰属を伴いAUC 0.957に達することが示される。リプレイベースの介入実験では、残差ベースフィルタおよび完全物理許容性ゲートが無効な提案の87～89%を防止し、平均進捗を0.998近くに維持する。

English

Predictive Physical AI systems output state rollouts, action chunks, and latent plans, yet a low root-mean-square error (RMSE) does not imply that a particular proposal is physically executable. We formulate physical admissibility as a prediction-control interface: before execution, a decoded proposal is treated as candidate dynamics and evaluated using kinematic, dynamic, and direct-to-composed horizon conditions. Passing is not a certificate of task success; rejection identifies violation of the specified physical envelope and gives a component-level reason. On Hugging Face LeRobot PushT, controlled falsification shows that one-step prediction-RMSE and standardized dynamics residuals reach area under the receiver operating characteristic curve (AUC) 0.982 and 0.972, kinematic-only conditions reach AUC 0.592, and the full gate reaches AUC 0.957 with condition-level attribution. In replay-based intervention experiments, residual-based filters and the full physical-admissibility gate prevent 87-$89% of invalid proposals while preserving mean progress near 0.998.