論文の概要: Scaling World Model for Hierarchical Manipulation Policies

• arxiv url: http://arxiv.org/abs/2602.10983v2
• Date: Thu, 12 Feb 2026 10:16:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.371211
• Title: Scaling World Model for Hierarchical Manipulation Policies
• Title（参考訳）: 階層型マニピュレーションポリシのスケールワールドモデル
• Authors: Qian Long, Yueze Wang, Jiaxi Song, Junbo Zhang, Peiyan Li, Wenxuan Wang, Yuqi Wang, Haoyang Li, Shaoxuan Xie, Guocai Yao, Hanbo Zhang, Xinlong Wang, Zhongyuan Wang, Xuguang Lan, Huaping Liu, Xinghang Li,
• Abstract要約: Vision-Language-Action(VLA)モデルは、汎用的なロボット操作を約束するが、配布外設定では脆弱である。 本稿では,大規模事前学習型世界モデルの一般化を活用した階層型ビジョン・ランゲージ・アクション・フレームワークを提案する。 視覚目標合成と階層型VLAポリシの両方を,大規模なアウト・オブ・ディストリビューションシナリオで検証する。
• 参考スコア（独自算出の注目度）: 61.736772957803026
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Vision-Language-Action (VLA) models are promising for generalist robot manipulation but remain brittle in out-of-distribution (OOD) settings, especially with limited real-robot data. To resolve the generalization bottleneck, we introduce a hierarchical Vision-Language-Action framework \our{} that leverages the generalization of large-scale pre-trained world model for robust and generalizable VIsual Subgoal TAsk decomposition VISTA. Our hierarchical framework \our{} consists of a world model as the high-level planner and a VLA as the low-level executor. The high-level world model first divides manipulation tasks into subtask sequences with goal images, and the low-level policy follows the textual and visual guidance to generate action sequences. Compared to raw textual goal specification, these synthesized goal images provide visually and physically grounded details for low-level policies, making it feasible to generalize across unseen objects and novel scenarios. We validate both visual goal synthesis and our hierarchical VLA policies in massive out-of-distribution scenarios, and the performance of the same-structured VLA in novel scenarios could boost from 14% to 69% with the guidance generated by the world model. Results demonstrate that our method outperforms previous baselines with a clear margin, particularly in out-of-distribution scenarios. Project page: \href{https://vista-wm.github.io/}{https://vista-wm.github.io}
• Abstract（参考訳）: VLA(Vision-Language-Action)モデルは、一般的なロボット操作には有望だが、特に実際のロボットデータに制限のあるオフ・オブ・ディストリビューション(OOD)設定では不安定である。 一般化ボトルネックを解決するために,大規模な事前学習型世界モデルの一般化を利用した階層型視覚・言語・アクションフレームワーク \our{} を導入し,より堅牢で一般化可能な視覚サブゴール TAsk 分解 VISTA を提案する。 我々の階層的なフレームワーク \our{} は、高レベルのプランナーとしての世界モデルと、低レベルの実行者としてのVLAで構成されています。 高レベル世界モデルは、まず、操作タスクを目標画像とサブタスクシーケンスに分割し、低レベルポリシーは、アクションシーケンスを生成するためのテキストおよび視覚的ガイダンスに従う。 生のテキストの目標仕様と比較すると、これらの合成されたゴール画像は、低レベルポリシーの視覚的および物理的基盤的な詳細を提供するため、目に見えないオブジェクトや新しいシナリオをまたいで一般化することが可能である。 視覚的目標合成と階層的VLAポリシーの両方を大局的なアウト・オブ・ディストリビューションシナリオで検証し、新しいシナリオにおける同一構造のVLAの性能は、世界モデルによるガイダンスによって14%から69%向上する可能性がある。 その結果,本手法は,特にアウト・オブ・ディストリビューションシナリオにおいて,より明確なマージンで,従来のベースラインよりも優れていることが示された。 プロジェクトページ: \href{https://vista-wm.github.io/}{https://vista-wm.github.io}

関連論文リスト

• TagaVLM: Topology-Aware Global Action Reasoning for Vision-Language Navigation [70.23578202012048]
  Vision-Language Navigation (VLN) は、アーキテクチャ上のミスマッチのため、大きなビジョン-Language Models (VLM) に固有の課題を提示している。 我々は,VLMのバックボーンにトポロジ構造を明示的に注入するエンドツーエンドフレームワークであるTagaVLM(トポロジ・アウェア・グローバルアクション推論)を提案する。 トポロジ的ノード情報を強化するため、Interleaved Navigation Promptはノードレベルのビジュアルテキストアライメントを強化する。 埋め込みトポロジグラフでは、このモデルはグローバルな行動推論が可能であり、堅牢な経路補正を可能にする。
  論文  参考訳（メタデータ） (2026-03-03T13:28:07Z)
• GeneralVLA: Generalizable Vision-Language-Action Models with Knowledge-Guided Trajectory Planning [20.646039344274556]
  GeneralVLAは階層型視覚言語アクション(VLA)モデルであり、基礎モデルの一般化をより効果的に活用することができる。 GeneralVLAは14タスクの軌道生成に成功し、VoxPoserのような最先端の手法を著しく上回った。
  論文  参考訳（メタデータ） (2026-02-04T08:30:27Z)
• HAMSTER: Hierarchical Action Models For Open-World Robot Manipulation [54.03004125910057]
  階層型視覚-言語-アクションモデルは、標準的なモノリシックVLAモデルよりも、ドメイン外のデータを利用するのに効果的であることを示す。 階層設計により、高レベルなVLMは、オフドメイン微調整データと実ロボットテストシナリオの間の重要なドメインギャップをまたいで転送可能であることを示す。
  論文  参考訳（メタデータ） (2025-02-08T07:50:22Z)
• GHIL-Glue: Hierarchical Control with Filtered Subgoal Images [68.36060286192262]
  Generative Hierarchical Imitation Learning-Glue (GHIL-Glue) は、言語条件のイメージやビデオ予測モデルを低レベルな目標条件のポリシーで結合するインタフェースである。 GHIL-Glueはタスクの進行に繋がらないサブゴールをフィルタリングし、有害な視覚的アーティファクトを持つ生成されたサブゴールに対するゴール条件付きポリシーの堅牢性を改善する。 我々は、GHIL-Glueが生成サブゴールを利用する複数の階層モデルに対して25%改善するシミュレーション環境と実環境の両方において、広範な実験を行った。
  論文  参考訳（メタデータ） (2024-10-26T00:32:21Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。