論文の概要: Bridge-WA: Predicting Where and How the World Changes for Robotic Action
- arxiv url: http://arxiv.org/abs/2607.02195v1
- Date: Thu, 02 Jul 2026 14:03:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-03 19:45:08.86363
- Title: Bridge-WA: Predicting Where and How the World Changes for Robotic Action
- Title（参考訳）: Bridge-WA:ロボット行動における世界の変化の予測
- Abstract要約: 汎用視覚-言語-アクションモデルは、大きな視覚-言語前の利点を享受するが、効果的な操作には、アクション関連シーンの変化を予測する必要がある。
凍結した未来の教師を3つのコンパクトな前駆体に蒸留する軽量な世界行動フレームワークであるBridge-WAを提案する。
WorldBridgeは、マルチソースのアテンションメモリと時空間バイアスを通じて、これらの先行にアクショントランスフォーマーを条件付けする。
- 参考スコア（独自算出の注目度）: 42.10162149102647
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: General-purpose vision-language-action models benefit from large vision-language priors, but effective manipulation also requires anticipating action-relevant scene changes. Existing world-action models often rely on large generative world models or dense future rollouts, which are expensive and spend capacity on visual details weakly coupled to control. We present Bridge-WA, a lightweight world-action framework that distills a frozen future-change teacher into three compact priors: future tokens for intended outcomes, change maps for intervention support, and motion-flow maps for local transition direction. A WorldBridge conditions the action transformer on these priors through multi-source attention memories and spatial-temporal biases, while the teacher model is removed at inference. Across VLABench, RoboTwin2.0, LIBERO-Plus and real-robot evaluations, Bridge-WA improves task success, progress, and robustness, with particularly clear gains under out-of-distribution visual shifts. By focusing action generation on where and how the scene will change, Bridge-WA suppresses nuisance appearance factors such as background, lighting, and distractors, leading to better generalization without deployment-time dense future-image generation. Code and visualizations are available at: https://hcplab-sysu.github.io/BRIDGE-WA .
- Abstract（参考訳）: 汎用視覚-言語-アクションモデルは、大きな視覚-言語前の利点を享受するが、効果的な操作には、アクション関連シーンの変化を予測する必要がある。
既存の世界アクションモデルは、しばしば大きな生成的世界モデルや、より密集した将来のロールアウトに依存している。
我々は,凍結した未来の教師を,意図した結果のトークン,介入支援のマップの変更,局所的な遷移方向の移動フローマップの3つのコンパクトな先駆者に蒸留する,軽量な世界行動フレームワークであるBridge-WAを提案する。
WorldBridgeは、マルチソースの注意記憶と空間的時間的バイアスを通じて、これらの前のアクショントランスフォーマーを条件付け、教師モデルは推論時に削除される。
VLABench、RoboTwin2.0、LIBERO-Plus、および実ロボット評価を通じて、Bridge-WAはタスクの成功、進捗、堅牢性を改善し、特にアウト・オブ・ディストリビューションの視覚シフト下での顕著な向上を実現している。
アクション生成をシーンがどこでどのように変化するかに焦点を合わせることで、Bridge-WAは背景、照明、イントラクタなどのニュアンスな外観要素を抑える。
コードと視覚化は、https://hcplab-sysu.github.io/BRIDGE-WA で公開されている。
関連論文リスト
- JEPA-WAM: Learning Vision-Language-Action Policies with Joint-Embedding World Modeling [23.76460420882974]
我々は,事前訓練されたV-JEPA空間に構築された潜水型WAMであるJEPA-WAMを紹介する。
遅延遷移予測と、共有予測器による連続的なアクション生成を結合する。
LIBERO-Plusでは、JEPA-WAMは79.2%を達成し、大規模なロボット政策の事前訓練を行わない最も良い結果となった。
論文 参考訳（メタデータ） (2026-08-10T09:57:54Z) - LeapBot-WA: World-Anchor Action Models via Predictive Latent Alignments [41.26480439505561]
世界行動モデル(WAM)は、インテリジェンスを具現化する強力なパラダイムとして登場した。
モデルにタスク非関連の視覚的詳細を再構築させると、表現能力が低下し、視覚的邪魔者に対して脆弱なポリシーが現れる。
本稿では,JEPA(Joint-Embedding Predictive Architecture)をワールドアンカーとして運用することで,WAMの新たな予測-遅延パラダイムを確立するLeapBot-WAを提案する。
論文 参考訳（メタデータ） (2026-07-27T03:36:45Z) - 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) - AIM: Intent-Aware Unified world action Modeling with Spatial Value Maps [7.710034405765985]
AIMは、明示的な空間的インターフェースを通じてこのギャップを橋渡しする意図認識の統一世界行動モデルである。
事前訓練されたビデオ生成モデルに基づいて構築されたAIMは、共有変換器アーキテクチャ内の将来の観測と値マップを共同でモデル化する。
RoboTwin 2.0ベンチマークの実験では、AIMは平均94.0%の成功率に達し、以前の統合された世界行動ベースラインを著しく上回っている。
論文 参考訳（メタデータ） (2026-04-13T07:48:58Z) - LatentPilot: Scene-Aware Vision-and-Language Navigation by Dreaming Ahead with Latent Visual Reasoning [51.969318585152116]
LatentPilotは、トレーニング中の将来の観察を貴重なデータソースとして利用して、アクション条件付きビジュアルダイナミクスを学習する。
そこで本稿では,フライホイール方式のトレーニング機構を提案する。これは,道路上の軌道を反復的に収集し,エージェントの行動分布に適合するようにモデルを再訓練する。
R2R-CE、RxR-CE、R2R-PEベンチマークの実験では新たなSOTA結果が得られた。
論文 参考訳（メタデータ） (2026-03-31T02:21:59Z) - GigaWorld-Policy: An Efficient Action-Centered World--Action Model [50.107640832046464]
GigaWorld-Policyはアクション中心のWAMで、2Dピクセルアクションのダイナミクスを学習し、オプションのビデオ生成で効率的なアクションデコーディングを可能にする。
実世界のロボットプラットフォームでの実験結果によると、GigaWorld-Policyは主要なWAMベースラインであるMotusの9倍高速で動作する。
論文 参考訳（メタデータ） (2026-03-18T00:52:02Z) - VLA-JEPA: Enhancing Vision-Language-Action Model with Latent World Model [22.211528017971403]
VLA-JEPAは、インターネットスケールビデオにおけるビジョン・ランゲージ・アクション(VLA)ポリシーのためのJEPAスタイルの事前トレーニングフレームワークである。
VLA-JEPAは、画素空間ではなく潜時空間で予測することにより、カメラモーションに対して堅牢なダイナミックス抽象化を学習する。
LIBERO, LIBERO-Plus, SimplerEnv, および実世界の操作タスクの実験により, VLA-JEPAは既存の手法よりも一般化と堅牢性において一貫した利得が得られることが示された。
論文 参考訳（メタデータ） (2026-02-10T18:58:01Z) - Astra: General Interactive World Model with Autoregressive Denoising [73.6594791733982]
Astraはインタラクティブな汎用世界モデルであり、多様なシナリオのために現実世界の未来を生成する。
本稿では,自己回帰型認知型アーキテクチャを提案し,時間的因果的注意を用いて過去の観測を集約する。
Astraはインタラクティブで一貫性があり、一般的な長期的なビデオ予測を実現し、様々な形式のインタラクションをサポートする。
論文 参考訳（メタデータ） (2025-12-09T18:59:57Z) - Dita: Scaling Diffusion Transformer for Generalist Vision-Language-Action Policy [73.75271615101754]
本稿では,Transformerアーキテクチャを活用した拡張性のあるフレームワークであるDitaについて紹介する。
Ditaはコンテキスト内コンディショニング(context conditioning)を採用しており、歴史的観察から生の視覚トークンと識別されたアクションをきめ細やかなアライメントを可能にする。
Ditaは、さまざまなカメラパースペクティブ、観察シーン、タスク、アクションスペースの横断的なデータセットを効果的に統合する。
論文 参考訳（メタデータ） (2025-03-25T15:19:56Z) - Diffusion Transformer Policy [48.50988753948537]
本稿では,拡散変圧器ポリシー(Diffusion Transformer Policy)と呼ばれる多モード拡散変圧器を提案し,連続的なエンドエフェクタ動作をモデル化する。
トランスのスケーリング機能を活用することで、提案手法は、多種多様なロボットデータセットにわたる継続的エンドエフェクタアクションを効果的にモデル化することができる。
論文 参考訳（メタデータ） (2024-10-21T12:43:54Z)
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。