論文の概要: LDA-1B: Scaling Latent Dynamics Action Model via Universal Embodied Data Ingestion

• arxiv url: http://arxiv.org/abs/2602.12215v1
• Date: Thu, 12 Feb 2026 17:53:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.408955
• Title: LDA-1B: Scaling Latent Dynamics Action Model via Universal Embodied Data Ingestion
• Title（参考訳）: LDA-1B:Universal Embodied Data Ingestionによる潜在ダイナミクス行動モデルのスケーリング
• Authors: Jiangran Lyu, Kai Liu, Xuheng Zhang, Haoran Liao, Yusen Feng, Wenxuan Zhu, Tingrui Shen, Jiayi Chen, Jiazhao Zhang, Yifei Dong, Wenbo Cui, Senmao Qi, Shuo Wang, Yixin Zheng, Mi Yan, Xuesong Shi, Haoran Li, Dongbin Zhao, Ming-Yu Liu, Zhizheng Zhang, Li Yi, Yizhou Wang, He Wang,
• Abstract要約: LDA-1Bは、普遍的なデータ取り込みを通じてスケールするロボット基盤モデルである。 EI-30kは、人間とロボットの軌跡を30k時間以上にわたって収集し、標準化する。 シミュレーションと実世界の実験では、LDA-1Bは21%、48%、そして23%の精度で、コンタクトリッチ、デキスタラス、ロングホライゾンのタスクに優れていた。
• 参考スコア（独自算出の注目度）: 48.12255217338433
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent robot foundation models largely rely on large-scale behavior cloning, which imitates expert actions but discards transferable dynamics knowledge embedded in heterogeneous embodied data. While the Unified World Model (UWM) formulation has the potential to leverage such diverse data, existing instantiations struggle to scale to foundation-level due to coarse data usage and fragmented datasets. We introduce LDA-1B, a robot foundation model that scales through universal embodied data ingestion by jointly learning dynamics, policy, and visual forecasting, assigning distinct roles to data of varying quality. To support this regime at scale, we assemble and standardize EI-30k, an embodied interaction dataset comprising over 30k hours of human and robot trajectories in a unified format. Scalable dynamics learning over such heterogeneous data is enabled by prediction in a structured DINO latent space, which avoids redundant pixel-space appearance modeling. Complementing this representation, LDA-1B employs a multi-modal diffusion transformer to handle asynchronous vision and action streams, enabling stable training at the 1B-parameter scale. Experiments in simulation and the real world show LDA-1B outperforms prior methods (e.g., $π_{0.5}$) by up to 21\%, 48\%, and 23\% on contact-rich, dexterous, and long-horizon tasks, respectively. Notably, LDA-1B enables data-efficient fine-tuning, gaining 10\% by leveraging 30\% low-quality trajectories typically harmful and discarded.
• Abstract（参考訳）: 最近のロボット基盤モデルは、専門家の行動を模倣する大規模な行動クローニングに大きく依存しているが、異種埋め込みデータに埋め込まれた伝達可能な力学知識は捨てている。 統一世界モデル(UWM)の定式化は、このような多様なデータを活用する可能性を秘めているが、既存のインスタンス化は、粗いデータ利用と断片化されたデータセットのために基礎レベルにスケールするのに苦労している。 LDA-1Bは、ダイナミックス、ポリシー、視覚予測を共同で学習し、様々な品質のデータに異なる役割を割り当てることで、普遍的なデータ取り込みを通じてスケールするロボット基盤モデルである。 この体制を大規模に支援するために、人間とロボットの軌道の30k時間以上を統一的なフォーマットで構成したEI-30kを組み立て、標準化した。 このような不均一なデータ上で学習するスケーラブルなダイナミクスは、冗長なピクセル空間の出現モデリングを避けるために、構造化されたDINOラテント空間での予測によって実現される。 この表現を補完するLDA-1Bは、非同期ビジョンとアクションストリームを処理するためにマルチモーダル拡散変換器を使用し、1Bパラメータスケールでの安定したトレーニングを可能にする。 シミュレーションと実世界の実験では、LDA-1Bは、それぞれ、接触リッチタスク、デキスタラスタスク、ロングホライゾンタスクにおいて、21\%、48\%、23\%の先行手法(例えば、$π_{0.5}$)より優れていた。 特に、LDA-1Bはデータ効率のよい微調整が可能であり、典型的には有害で廃棄された30\%の低品質軌跡を活用することで10\%を得る。

関連論文リスト

• ABot-M0: VLA Foundation Model for Robotic Manipulation with Action Manifold Learning [31.000965640377128]
  ABot-M0は、システマティックデータキュレーションパイプラインを構築するフレームワークである。 これは不均一な生データを統一的で効率的な表現にエンドツーエンドに変換することを可能にする。 ABot-M0はデュアルストリーム機構を通じてモジュール認識をサポートする。
  論文  参考訳（メタデータ） (2026-02-11T16:47:01Z)
• Streaming Operator Inference for Model Reduction of Large-Scale Dynamical Systems [0.2609784101826761]
  本稿では,データストリームの逐次到着から縮小モデルを学習するStreaming OpInfを提案する。 提案手法は,メモリ要求を99%以上削減し,次元を31,000倍以上削減しながら,バッチOpInfに匹敵する精度を実現する。
  論文  参考訳（メタデータ） (2026-01-17T20:46:47Z)
• Align-Then-stEer: Adapting the Vision-Language Action Models through Unified Latent Guidance [63.33213516925946]
  textbfAlign-Then-stEer(textttATE)は,新しいデータ効率,プラグアンドプレイ適応フレームワークである。 我々の研究は、新しいロボットプラットフォームやタスクにVLAモデルをデプロイする実用性を大幅に向上させる、汎用的で軽量なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-09-02T07:51:59Z)
• Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
  Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。 動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。 これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-07-14T16:19:00Z)
• Prismatic Synthesis: Gradient-based Data Diversification Boosts Generalization in LLM Reasoning [77.120955854093]
  我々は,データ多様性が言語モデルにおける一般化の強力な予測因子であることを示す。 モデル誘起勾配のエントロピーを通して多様性を定量化する計量であるG-Vendiを導入する。 多様な合成データを生成するためのフレームワークであるPrismatic Synthesisを提案する。
  論文  参考訳（メタデータ） (2025-05-26T16:05:10Z)
• Scalable Modular Synthetic Data Generation for Advancing Aerial Autonomy [2.9005223064604078]
  本稿では,自律飛行に適したスケーラブルなAerial Synthetic Data Augmentation (ASDA) フレームワークを提案する。 ASDAは、シーンとデータ拡張を自動的に実行する2つのスクリプト可能なパイプラインを備えた中央データ収集エンジンを拡張している。 多様なデータセットを自動生成する手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-11-10T04:37:41Z)

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。