論文の概要: HarmoWAM: Harmonizing Generalizable and Precise Manipulation via Adaptive World Action Models

• arxiv url: http://arxiv.org/abs/2605.10942v1
• Date: Mon, 11 May 2026 17:59:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:51.064477
• Title: HarmoWAM: Harmonizing Generalizable and Precise Manipulation via Adaptive World Action Models
• Title（参考訳）: HarmoWAM:適応的世界行動モデルによる一般化と精密操作の調和
• Abstract要約: 世界行動モデル(WAM)は、物理力学のモデリングによるロボット制御のための有望なパラダイムとして登場した。 HarmoWAMは、予測と反応の制御を統一するために世界モデルを完全に活用し、一般的なトランジットと正確な操作を可能にする。 実世界の6つのロボットタスクにまたがる3つのトレーニング未確認テスト環境を構築し、背景、位置、オブジェクトの意味のバリエーションをカバーした。
• 参考スコア（独自算出の注目度）: 58.191567345416836
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: World Action Models (WAMs) have emerged as a promising paradigm for robot control by modeling physical dynamics. Current WAMs generally follow two paradigms: the "Imagine-then-Execute" approach, which uses video prediction to infer actions via inverse dynamics, and the "Joint Modeling" approach, which jointly models actions and video representations. Based on systematic experiments, we observe a fundamental trade-off between these paradigms: the former explicitly leverages world models for generalizable transit but lacks interaction precision, whereas the latter enables fine-grained, temporally coherent action generation but is constrained by the exploration space of the training distribution. Motivated by these findings, we propose HarmoWAM, an end-to-end WAM that fully leverages a world model to unify predictive and reactive control, enabling both generalizable transit and precise manipulation. Specifically, the world model provides spatio-temporal physical priors that condition two complementary action experts: a predictive expert that leverages latent dynamics for iterative action generation, and a reactive expert that directly infers actions from predicted visual evolution. To enable adaptive coordination, a Process-Adaptive Gating Mechanism is proposed to automatically determine the timing and location of switching between them. This allows the world model to drive the reactive expert to expand the exploration space and the predictive expert to perform precise interactions across different stages of a task. For evaluation, we construct three training-unseen test environments across six real-world robotic tasks, covering variations in background, position, and object semantics. Notably, HarmoWAM achieves strong zero-shot generalization across these scenarios, significantly outperforming prior state-of-the-art VLA models and WAMs by margins of 33% and 29%, respectively.
• Abstract（参考訳）: 世界行動モデル(WAM)は、物理力学のモデリングによるロボット制御のための有望なパラダイムとして登場した。 現在のWAMは一般的に「Imagine-then-Execute」アプローチと「Joint Modeling」アプローチという2つのパラダイムを踏襲している。 前者は一般化可能なトランジットのために世界モデルを明示的に活用するが、相互作用の精度は低いが、後者は微粒で時間的に整合したアクション生成が可能であるが、訓練分布の探索空間によって制約される。 これらの知見に触発されて、予測と反応の制御を統一するために世界モデルを完全に活用し、一般化可能なトランジットと正確な操作を可能にする、エンドツーエンドのWAMであるHarmoWAMを提案する。 具体的には、世界モデルは2つの相補的なアクションエキスパートを条件として、反復的なアクション生成に潜時ダイナミクスを活用する予測エキスパートと、予測された視覚的進化からアクションを直接推論するリアクティブエキスパートという、時空間的な物理的前提を提供する。 適応調整を実現するため,プロセス適応ゲーティング機構を提案し,その切り替えタイミングと位置を自動的に決定する。 これにより、世界モデルでは、リアクティブ専門家が探索空間を拡大し、予測専門家がタスクのさまざまな段階にわたって正確なインタラクションを実行することができる。 評価のために,実世界の6つのロボットタスクを対象とし,背景,位置,対象のセマンティクスのバラツキを網羅した,トレーニング不要な3つのテスト環境を構築した。 特に、HarmoWAMはこれらのシナリオで強力なゼロショットの一般化を実現し、最先端のVLAモデルとWAMをそれぞれ33%と29%のマージンで大幅に上回っている。

関連論文リスト

• WorldAgen: Unified State-Action Prediction with Test-Time World Model Training [19.89058127984308]
  本稿では,世界モデリングと行動予測を共同で学習する統合フレームワークWorldAgenを紹介する。 WorldAgenは、探索行動のサンプリング、地道状態遷移の収集、そして世界モデルを洗練するための軽量TTT更新を実行する。 提案手法は既存の最先端モデルを超え,推論時に世界モデルを適応させることの有効性を強調した。
  論文  参考訳（メタデータ） (2026-09-08T02:46:13Z)
• Do Robotic World Models Really Follow Actions? Diagnosing and Aligning Action-Conditioned Generation for Policy Learning [53.77164209208635]
  本稿では,視覚的整合性と軌跡アライメントを用いて,より広い行動分布を探索するWorldEchoを紹介する。 本稿では,3つの軸に沿った行動(分布カバレッジ,表現的接地,介入効果のアライメント)を強化するWorldSyncを提案する。 RoboTwinベンチマークと実ロボットタスクの実験は、WorldSyncがWorldEchoメトリクスを改善し、反復的なポリシー改善のためのより信頼性の高いシミュレータとして機能していることを示している。
  論文  参考訳（メタデータ） (2026-08-25T17:59:49Z)
• BrainWAM: Action-Space Coordination of Semantic Priors and Predictive Dynamics for Autonomous Driving [17.81940828370337]
  VLA(Vision-Language-Action)モデルはセマンティック推論のためにVLMの先行情報を利用するが、WAM(World Action Models)は生成的世界モデリングを通じて将来的な予測を提供する。 これは自然に、セマンティックプライドと予測ダイナミクスの両方を活用できる統一されたプランナーを動機付けます。 本稿では、意味論的推論と予測的世界モデリングを2つの特殊な行動指向経路に変換する、構造化された行動空間協調フレームワークBrainWAMを提案する。
  論文  参考訳（メタデータ） (2026-08-13T05:56:17Z)
• From World Action Models to Embodied Brains: A Roadmap for Open-World Physical Intelligence [54.62791372989525]
  アクションモデル、ビジョン言語-アクションポリシー、世界モデルは、この目標を前進させた。 世界行動モデル(WAM)は、候補者の介入と予測された結果とを結びつけるため、特に有望である。 我々は、WAMへの進化をレビューし、これらの制限をモデルの役割と表現、目的と標準化、システム構成という3つの組み合わせのギャップにまとめる。
  論文  参考訳（メタデータ） (2026-07-13T15:22:56Z)
• Native Video-Action Pretraining for Generalizable Robot Control [77.59831077077176]
  LingBot-VA 2.0は、エンボディメントのためにゼロから構築されたビデオアクション基盤モデルである。 高周波推論の要求を満たすため,本モデルは疎いMOEバックボーンを用いる。 現実のデプロイメントは、堅牢な基盤モデルとしてLingBot-VA 2.0を検証する。
  論文  参考訳（メタデータ） (2026-07-09T16:15:43Z)
• Sensorimotor World Models: Perception for Action via Inverse Dynamics [59.121736411156384]
  Inverse dynamics regularization で訓練されたエンド・ツー・エンドのセンサモレータ・ワールドモデルを導入する。 表現の崩壊を防ぎ、アクション整列表現を誘導する。 コンパクトで解釈可能な潜在空間を学習し、単純な2Dおよび3D制御タスク間の競合計画性能を実現する。
  論文  参考訳（メタデータ） (2026-06-18T11:25:16Z)
• World Action Verifier: Self-Improving World Models via Forward-Inverse Asymmetry [82.93104394404781]
  汎用世界モデルは、スケーラブルなポリシー評価、最適化、計画を約束します。 本稿では,世界モデルによる予測誤りと自己改善を識別するフレームワークであるWorld Action Verifier(WAV)を提案する。
  論文  参考訳（メタデータ） (2026-04-02T12:48:36Z)
• SimpliHuMoN: Simplifying Human Motion Prediction [46.76089716445981]
  本研究では,人間動作予測のための簡易かつ効果的なトランスフォーマーモデルを提案する。 このモデルは、ポーズ内の空間的依存関係とモーションシーケンス間の時間的関係を効果的に捉えるために、自己注意モジュールのスタックを使用する。 このシンプルで合理化されたエンドツーエンドモデルは、ポーズのみ、軌道のみ、およびタスク固有の修正なしに複合予測タスクを処理するのに十分な汎用性がある。
  論文  参考訳（メタデータ） (2026-03-04T18:59:57Z)
• HALO: A Unified Vision-Language-Action Model for Embodied Multimodal Chain-of-Thought Reasoning [23.266655371621965]
  VLA(Vision-Language-Action)モデルは、ロボット操作において強力な性能を示しているが、長い水平またはアウト・オブ・ディストリビューションのシナリオでしばしば苦労している。 本稿では,マルチモーダル・チェーン・オブ・シークレット(EM-CoT)推論を可能にする統一VLAモデルであるHALOを提案する。 HALOをMixture-of-Transformers (MoT)アーキテクチャでインスタンス化し、セマンティック推論、視覚的予測、行動予測を専門の専門家に分離する。
  論文  参考訳（メタデータ） (2026-02-24T18:04:31Z)
• Reshaping Action Error Distributions for Reliable Vision-Language-Action Models [69.38615670891038]
  ロボット操作において、視覚言語アクション(VLA)モデルは、一般化可能でスケーラブルなロボットポリシーを学ぶための有望なパラダイムとして登場した。 連続動作型VLAモデルに焦点をあて、トレーニング中の動作誤差分布を再構成することにより、従来のMSEベースの回帰を超越する。 複数の代表的VLAアーキテクチャ上で、標準、少数ショット、ノイズの多い設定にまたがるアプローチを評価します。
  論文  参考訳（メタデータ） (2026-02-04T05:37:09Z)
• AstraNav-World: World Model for Foresight Control and Consistency [40.07910402326578]
  ダイナミックな環境での身体的ナビゲーションは、世界がどのように進化し、どのように行動が時間とともに広がるかを正確に予測する必要がある。 AstraNav-Worldは、未来の視覚状態とアクションシーケンスを共同で推論するエンド・ツー・エンドの世界モデルである。 本フレームワークは,拡散型ビデオジェネレータとビジョン言語ポリシーを統合し,同期ロールアウトを実現する。
  論文  参考訳（メタデータ） (2025-12-25T15:31:24Z)
• Next Interest Flow: A Generative Pre-training Paradigm for Recommender Systems by Modeling All-domain Movelines [8.895768051554162]
  本稿では,eコマースレコメンデータシステムのための新しい生成事前学習パラダイムを提案する。 我々のモデルは,ユーザの将来の意図を表す密度の高いベクトル列であるNext Interest Flowを予測することを学ぶ。 パイプライン全体を実装した統合フレームワークである All-domain Moveline Evolution Network (AMEN) を提示する。
  論文  参考訳（メタデータ） (2025-10-13T12:13:17Z)
• 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)
• Continual Visual Reinforcement Learning with A Life-Long World Model [55.05017177980985]
  視覚力学モデリングのための新しい連続学習手法を提案する。 まず,タスク固有の潜在ダイナミクスを学習する長寿命世界モデルを紹介する。 そして,探索・保守的行動学習手法を用いて,過去の課題に対する価値推定問題に対処する。
  論文  参考訳（メタデータ） (2023-03-12T05:08:03Z)

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。