論文の概要: DSWAM: A Dual-System World Action Foundation Model for Fine-Grained Robot Manipulation

• arxiv url: http://arxiv.org/abs/2607.04927v1
• Date: Mon, 06 Jul 2026 10:57:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:30.122443
• Title: DSWAM: A Dual-System World Action Foundation Model for Fine-Grained Robot Manipulation
• Title（参考訳）: DSWAM:細粒度ロボットマニピュレーションのためのデュアルシステム世界アクションファウンデーションモデル
• Abstract要約: World Action Models (WAMs) は、VLA(Vision-Language-Action) ポリシーに代わる有望な代替手段を提供する。 既存のWAMは、物理的に基盤化された実行では優れているが、言語レベルの明確な計画インターフェースが欠如している。 DSWAM(Dual-System World Action Foundation Model)を紹介する。
• 参考スコア（独自算出の注目度）: 14.193285862278913
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: World Action Models (WAMs) provide a promising alternative to Vision-Language-Action (VLA) policies by using video-based world modeling as dense supervision for robot action learning. Existing WAMs excel at physically grounded execution, but typically lack the explicit language-level planning interface in VLM-based VLAs for decomposing coarse instructions. Such decomposition becomes important when household tasks involve complex multi-step goals, where coarse user commands need to be converted into sequences of fine-grained executable subtasks. Meanwhile, the field still lacks a fair real-robot comparison between VLA and WAM execution capabilities, since existing systems often differ in data, robot embodiments, and task protocols. To address both the decomposition gap and the need for a controlled WAM-VLA comparison, we introduce DSWAM, a Dual-System World Action Foundation Model for fine-grained robot manipulation. DSWAM keeps a System 1 WAM executor as the default control path and optionally activates a System 2 vision-language subtask planner only when task decomposition is useful. The planner predicts executable subtasks from short-term visual history and a global task prompt, while the WAM executor performs world-aware action generation for each instruction or subtask. The executor is trained with action prediction and video co-training, but inference directly predicts action chunks without explicit future video generation. To make this execution path practical on real robots, we further integrate TensorRT acceleration, asynchronous execution, and real-time chunking (RTC) so that policy queries do not block robot control. To provide a fair real-robot comparison with VLA policies, we build and evaluate DSWAM under the DeMaVLA real-world deformable manipulation setting with matched robot platform, pretraining data, post-training data, and evaluation criteria.
• Abstract（参考訳）: World Action Models (WAMs) は、ビデオベースの世界モデリングをロボットアクション学習の密集した監視手段として利用することにより、ビジョンランゲージ・アクション(VLA)ポリシーに代わる有望な代替手段を提供する。 既存のWAMは、物理的に接地された実行では優れているが、大まかな命令を分解するためのVLMベースのVLAでは、明示的な言語レベルの計画インターフェースが欠如している。 このような分解は、粗いユーザコマンドを細かな実行可能サブタスクのシーケンスに変換する必要がある、複雑な多段階の目標を含む家庭タスクにおいて重要になる。 一方、既存のシステムはデータ、ロボットの具体化、タスクプロトコルでしばしば異なるため、VLAとWAMの実行能力の公平な比較はいまだに欠けている。 分解ギャップと制御されたWAM-VLA比較の必要性の両方に対処するため,ロボットの微粒化操作のためのDSWAM(Dual-System World Action Foundation Model)を提案する。 DSWAMは、System 1 WAMエグゼキュータをデフォルトの制御パスとして保持し、タスク分解が有用である場合にのみ、System 2視覚言語サブタスクプランナを任意に起動する。 プランナーは、短期的な視覚履歴とグローバルなタスクプロンプトから実行可能なサブタスクを予測し、WAMエグゼキュータは、各命令またはサブタスクに対してワールドアウェアアクション生成を実行する。 実行者はアクション予測とビデオコトレーニングで訓練されるが、推論はアクションチャンクを直接予測する。 この実行パスを実際のロボットで実用化するために、我々はさらにTensorRTアクセラレーション、非同期実行、リアルタイムチャンキング(RTC)を統合し、ポリシークエリがロボット制御をブロックしないようにする。 VLAポリシーとの公正な実ロボット比較を行うため,DeMaVLA実世界の変形可能な操作設定,事前学習データ,後学習データ,評価基準に基づいてDSWAMを構築し,評価する。

関連論文リスト

• $τ_0$-VLA: a Hierarchical Robot Foundation Model with World-Model-Guided Test-Time Computation [51.05516457377339]
  ロングホライズンロボットの操作には、ロボットが個々のスキルを確実に実行し、拡張されたタスクに対してそれらを一貫性を持ってシーケンスする必要がある。 計算スケーリング可能な推論問題として高レベルサブタスク生成を定式化する階層型ロボット基盤モデルである$_0$-VLAを導入する。 低レベルポリシーは、生成されたサブタスクを複数のロボットエンボディメントにわたって実行する。
  論文  参考訳（メタデータ） (2026-08-17T17:59:11Z)
• Two Bridges, One Pathway: From VLMs to Generalizable VLAs with Embodied Trajectory-Coupled Data [93.7685703383343]
  視覚言語モデル(VLM)は強力な汎用推論器であるが、ロボット制御ポリシーに変換することは驚くほど難しい。 このギャップは、適切な中間データで徐々にブリッジできると我々は主張する。 本研究では,タスク関連アウト・オブ・ディストリビューションETCデータと少量のアクションデータとを混合することにより,新しい視覚言語条件に一般化できることを示す。
  論文  参考訳（メタデータ） (2026-06-07T08:57:51Z)
• A Conversational Framework for Human-Robot Collaborative Manipulation with Distributed Generative AI models [0.0]
  本稿では,ロボット協調操作のための分散対話フレームワークを提案する。 ローカル言語とビジョン言語モデル(VLM)をロボットオペレーティングシステム2(ROS2)ベースの実行スタックに統合する。
  論文  参考訳（メタデータ） (2026-06-04T12:00:41Z)
• NovaPlan: Zero-Shot Long-Horizon Manipulation via Closed-Loop Video Language Planning [36.20611975009607]
  クローズドループVLMとビデオプランニングを統合した階層型フレームワークであるNovaPlanを紹介する。 高いレベルでは、VLMプランナーはタスクをサブゴールに分解し、クローズドループでロボットの実行を監視する。 低レベルのロボット動作を計算するために,タスク関連オブジェクトキーポイントと人手ポーズの両方を抽出し,活用する。
  論文  参考訳（メタデータ） (2026-02-23T18:35:18Z)
• Instruct2Act: From Human Instruction to Actions Sequencing and Execution via Robot Action Network for Robotic Manipulation [14.833622989644352]
  我々は、自然言語コマンドを信頼性の高い操作に変換する軽量で完全なオンデバイスパイプラインを開発した。 Instruct2Actは91.5%のサブアクション予測精度を達成し、フットプリントは小さい。 その結果, DATRNに基づく軌道生成と視覚誘導グラウンド化と相まって, 決定論的, リアルタイムな操作を行うための実践的な経路が得られた。
  論文  参考訳（メタデータ） (2026-02-10T16:25:39Z)
• Robotic Control via Embodied Chain-of-Thought Reasoning [86.6680905262442]
  学習したロボット制御ポリシーの鍵となる制限は、トレーニングデータの外部で一般化できないことである。 視覚言語行動モデル(VLA)に関する最近の研究は、大規模なインターネット事前学習型視覚言語モデルを使用することで、その堅牢性と一般化能力を大幅に向上させることができることを示した。 ロボットの動作を予測する前に、VLAに対して、計画、サブタスク、動作、視覚的接地機能について複数の推論を行うために、VLAに対してEmbodied Chain-of-Thought Reasoning (ECoT)を導入する。
  論文  参考訳（メタデータ） (2024-07-11T17:31:01Z)
• LLaRA: Supercharging Robot Learning Data for Vision-Language Policy [56.505551117094534]
  我々はLLaRA: Large Language and Robotics Assistantを紹介した。 まず、既存の行動クローニングデータセットからロボットのための会話スタイルの指導データを生成する自動パイプラインを提案する。 このようなデータセットを限定的に微調整したVLMは、ロボット制御において有意義な行動決定を導出できることを示す。
  論文  参考訳（メタデータ） (2024-06-28T17:59:12Z)
• Interactive Planning Using Large Language Models for Partially Observable Robotics Tasks [54.60571399091711]
  大きな言語モデル(LLM)は、オープン語彙タスクを実行するロボットエージェントを作成することで、驚くべき成果を上げている。 LLMを用いた部分的に観測可能なタスクのための対話型計画手法を提案する。
  論文  参考訳（メタデータ） (2023-12-11T22:54:44Z)
• ProgPrompt: Generating Situated Robot Task Plans using Large Language Models [68.57918965060787]
  大規模言語モデル(LLM)は、タスク計画中の潜在的な次のアクションを評価するために使用することができる。 本稿では, プログラム型LCMプロンプト構造を用いて, 配置環境間での計画生成機能を実現する。
  論文  参考訳（メタデータ） (2022-09-22T20:29:49Z)

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。