論文の概要: OA-WAM: Object-Addressable World Action Model for Robust Robot Manipulation

• arxiv url: http://arxiv.org/abs/2605.06481v1
• Date: Thu, 07 May 2026 16:06:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.974533
• Title: OA-WAM: Object-Addressable World Action Model for Robust Robot Manipulation
• Title（参考訳）: OA-WAM:ロバストロボット操作のためのオブジェクト適応型世界行動モデル
• Authors: Yushan Liu, Peibo Sun, Shoujie Li, Yifan Xie, Lingfeng Zhang, Xintao Chao, Shiyuan Dong, Fang Chen, Xiao-Ping Zhang, Wenbo Ding,
• Abstract要約: 本研究では,ロバストなロボット操作のためのオブジェクト適応型ワールドアクションモデルを提案する。 OA-WAMは各フレームを1つのロボットスロットとN個のオブジェクトスロットでN+1スロット状態に分解する。 本研究では,ランドスケープなオブジェクト状態が,シーン摂動下でのロバストなワールド・アクション・モデリングに有効なインターフェースを提供することを示す。
• 参考スコア（独自算出の注目度）: 15.437498887499173
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: World Action Models (WAMs) enhance Vision-Language-Action policies by jointly predicting scene evolution and robot actions, but existing methods usually represent the predicted world as holistic images, video tokens, or global latents. These representations are difficult for an action decoder to address when an instruction refers to a particular object, especially under scene shifts where object identity is entangled with context. We propose OA-WAM, an Object-Addressable World Action Model for robust robot manipulation. OA-WAM decomposes each frame into N+1 slot states, with one robot slot and N object slots. Each slot contains a persistent address vector and a time-varying content vector, and is fused with text, image, proprioception, and past-action tokens in a block-causal sequence. A world head predicts next-frame slot states, while a flow-matching action head decodes a 16-step continuous action chunk in the same forward pass. Addressability is enforced by routing cross-slot attention through address-only keys and resetting the address slice at every transformer layer, separating which object to act on from what that object currently is without adding extra tokens. OA-WAM matches strong VLA and WAM baselines on LIBERO (97.8%) and SimplerEnv (79.3%), reaches state-of-the-art performance on the most relevant LIBERO-Plus geometric axes, and remains competitive on the seven-axis aggregate. A causal slot-intervention test yields a swap-binding cosine of 0.87, versus at most 0.09 for holistic baselines. These results suggest that addressable object states provide an effective interface for robust world-action modeling under scene perturbations.
• Abstract（参考訳）: World Action Models(WAM)は、シーンの進化とロボットアクションを共同で予測することでビジョン・ランゲージ・アクションポリシーを強化するが、既存の手法は通常、予測された世界を全体像、ビデオトークン、グローバルな潜伏者として表現する。 これらの表現は、命令が特定のオブジェクトを参照する場合、特にオブジェクトのアイデンティティがコンテキストに絡み合っているシーンシフトにおいて、アクションデコーダが対処するのは難しい。 我々は,頑健なロボット操作のためのオブジェクト適応型ワールドアクションモデルであるOA-WAMを提案する。 OA-WAMは各フレームを1つのロボットスロットとN個のオブジェクトスロットでN+1スロット状態に分解する。 各スロットは、永続アドレスベクトルと時間変化コンテンツベクトルを含み、ブロック因果シーケンス内のテキスト、画像、プロプレセプション、過去のアクショントークンと融合する。 ワールドヘッドは次のフレームスロット状態を予測し、フローマッチングアクションヘッドは16ステップ連続アクションチャンクを同じフォワードパスでデコードする。 アドレスはアドレス専用キーを通じてクロススロットの注意をルーティングし、トランスフォーマー層ごとにアドレススライスをリセットすることで強制される。 OA-WAMは、LIBERO (97.8%) とSimplerEnv (79.3%) の強いVLAおよびWAMベースラインと一致し、最も関連するLIBERO-Plus の幾何学的軸上で最先端の性能に達し、7軸アグリゲーションでは競争力を維持している。 因果スロット干渉試験では、スワップ結合コサインは0.87であり、全体基線は少なくとも0.09である。 以上の結果から,アドレス可能なオブジェクト状態はシーン摂動下でのロバストなワールド・アクション・モデリングに有効なインタフェースを提供する可能性が示唆された。

関連論文リスト

• Not All Features Are Created Equal: A Mechanistic Study of Vision-Language-Action Models [2.5338045371474816]
  VLA(Vision-Language-Action)モデルは、単一のアーキテクチャにおける知覚、言語、運動制御を組み合わせたモデルである。 394,000回以上のロールアウトエピソードにまたがる80M--7Bパラメータに,アクティベーションインジェクション,スパースオートエンコーダ,線形プローブを適用した。
  論文  参考訳（メタデータ） (2026-03-19T17:59:55Z)
• Articulated 3D Scene Graphs for Open-World Mobile Manipulation [55.97942733699124]
  本報告では, セマンティックな3次元シーングラフを構築するためのフレームワークであるMoMa-SGについて述べる。 新たな統合的ツイスト推定法を用いて調音モデルを推定する。 また,Arti4D-Semanticデータセットについても紹介する。
  論文  参考訳（メタデータ） (2026-02-18T10:40:35Z)
• Olaf-World: Orienting Latent Actions for Video World Modeling [100.96069208914957]
  アクションコントロール可能な世界モデルのスケーリングは、アクションラベルの不足によって制限される。 大規模受動的ビデオから行動条件付きビデオワールドモデルを事前訓練するパイプラインであるOraf-Worldを紹介する。
  論文  参考訳（メタデータ） (2026-02-10T18:58:41Z)
• Rethinking Progression of Memory State in Robotic Manipulation: An Object-Centric Perspective [16.541717037293278]
  物体レベルの部分観測性の下でのストレステストロボット操作のための非マルコフタスクスイートであるLIBERO-Memを紹介する。 短軸と長軸の物体追跡と時間的に順序付けられたサブゴールを組み合わせ、現在のフレームを超えて推論を必要とする。 Embodied-SlotSSMは時間的拡張性のために構築されたスロット中心のVLAフレームワークである。
  論文  参考訳（メタデータ） (2025-11-14T16:56:01Z)
• Utilizing Vision-Language Models as Action Models for Intent Recognition and Assistance [2.2893865000399938]
  本稿では,視覚言語モデル (VLM) とテキストのみの言語モデル (LLM) によるGUIDERの拡張について述べる。 ビジョンパイプラインは、候補対象の作物をVLMに供給し、オペレータのプロンプトが与えられた場合、その関連性を評価する。 組み合わせた信念がしきい値を超えると、自律性が変化し、ロボットは所望の領域に移動し、所望の物体を回収することができる。
  論文  参考訳（メタデータ） (2025-08-14T22:19:09Z)
• SG-Bot: Object Rearrangement via Coarse-to-Fine Robotic Imagination on Scene Graphs [81.15889805560333]
  本稿では,新しいアレンジメントフレームワークであるSG-Botを紹介する。 SG-Botは軽量でリアルタイムでユーザ制御可能な特性を実証する。 実験の結果、SG-Botはライバルよりも大きなマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2023-09-21T15:54:33Z)
• ROAM: Robust and Object-Aware Motion Generation Using Neural Pose Descriptors [73.26004792375556]
  本稿では,3次元オブジェクト認識キャラクタ合成における新しいシーンオブジェクトへのロバストさと一般化が,参照オブジェクトを1つも持たないモーションモデルをトレーニングすることで実現可能であることを示す。 我々は、オブジェクト専用のデータセットに基づいて訓練された暗黙的な特徴表現を活用し、オブジェクトの周りのSE(3)-同変記述体フィールドをエンコードする。 本研究では,3次元仮想キャラクタの動作と相互作用の質,および未知のオブジェクトを持つシナリオに対するロバスト性を大幅に向上することを示す。
  論文  参考訳（メタデータ） (2023-08-24T17:59:51Z)
• Semantically Grounded Object Matching for Robust Robotic Scene Rearrangement [21.736603698556042]
  そこで本研究では,大規模な事前学習型視覚言語モデルを用いて,オブジェクトをクロスインスタンス設定でマッチングするオブジェクトマッチング手法を提案する。 これにより、クロスインスタンス環境でのマッチング性能が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2021-11-15T18:39:43Z)

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。