SyncWorld：視覚的キャリブレーションにより世界モデルをゼロショットシミュレータとして機能させる

要旨

世界モデルは、ポリシー・イン・ザ・ループの想像環境としてますます用いられており、そこでは信頼性の高いロールアウトには低レベルロボット行動に対するきめ細かな制御性が必要となる。ロボティクスにおいてこのようなモデルをスケールさせる上での主要な障害は、行動がピクセル空間における普遍的な言語ではないことにある。すなわち、視覚環境、カメラ視点、ロボット配置、身体性の変化は、同じ数値行動が視覚的にどのように現れるかを変え、混合訓練下での矛盾する教師信号と、配備時の脆い汎化をもたらす。我々は SyncWorld を導入する。これは、追加訓練なしに未見環境をまたいでゼロショットシミュレータとして機能する行動条件付き世界モデルである。SyncWorld は、視覚キャリブレーション・エピソード——制御可能なすべての自由度を示す、対になったフレームと行動——を活用して、セットアップ固有の行動–視覚マッピングを文脈内で指定する。視覚キャリブレーション文脈を用いた訓練は、モデルに、行動を視覚的証拠を通じて解釈すること、および明示的なキャリブレーションが利用できない場合には相互作用履歴を活用することを教える。実験は、SyncWorld が以前に未見の設定で行動結果を正確にシミュレートできること、およびそのロールアウトをシミュレートする能力が訓練なしのテスト時ポリシー改善を可能にすることを示している。

English

World models are increasingly used as policy-in-the-loop imagination environments, where reliable rollouts require fine-grained controllability with respect to low-level robot actions. A key obstacle to scaling such models in robotics is that actions are not a universal language in pixel space: changes in visual environment, camera view, robot placement, or embodiment alter how the same numerical action manifests visually, leading to conflicting supervision under mixed training and brittle generalization at deployment. We introduce SyncWorld, an action-conditioned world model that serves as a zero-shot simulator across unseen environments without any additional training. SyncWorld leverages a visual calibration episode---paired frames and actions that showcase all the controllable degrees of freedom---to specify the setup-specific Action--Visual Mapping in context. Training with visual calibration contexts teaches the model to interpret actions through visual evidence and to leverage interaction history when explicit calibration is unavailable. Experiments show that SyncWorld can accurately simulate action outcomes in previously unseen settings, and that its capability of simulating rollouts enables test-time policy improvement without training.