論文の概要: World Action Models in Real Time: An Empirical Study of Smooth Execution via Asynchronous Deployment
- arxiv url: http://arxiv.org/abs/2608.01880v2
- Date: Tue, 11 Aug 2026 16:52:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-12 16:08:30.308496
- Title: World Action Models in Real Time: An Empirical Study of Smooth Execution via Asynchronous Deployment
- Title（参考訳）: 実時間における世界行動モデル:非同期展開による平滑な実行に関する実証的研究
- Abstract要約: 本研究では,モデル推論とアクション実行の重なり合う戦略について検討し,応答性とスムーズな制御を実現する。
同期実行、純粋な非同期スイッチング、ポストホック動作ブレンディング、デノイング時間ブレンディング、推論時速度誘導、プレフィックス条件付き生成を含む6つの戦略を比較した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: World Action Models generate fixed-horizon action chunks through iterative denoising, creating substantial inference latency that can cause pauses, stale actions, and discontinuities during robotic execution. We present an empirical study of asynchronous deployment strategies that overlap model inference with action execution to enable responsive and smooth control. We compare six strategies, including synchronous execution, pure asynchronous switching, post-hoc action blending, denoising-time blending, inference-time velocity guidance, and prefix-conditioned generation, on a 10 Hz bimanual robot. Evaluation combines offline trajectory analysis with online experiments across dynamic manipulation, precision-critical placement, and long-horizon tasks. Our results identify accurate temporal alignment between observations, predictions, and executed commands as a fundamental requirement. Alignment errors produce persistent chunk-boundary discontinuities that cannot be corrected through blending alone. With proper alignment, direct action weighting provides a simple and smooth baseline but sacrifices accuracy in precision-critical tasks. Inference-time velocity guidance fails to reliably constrain committed actions on our platform. In contrast, prefix-conditioned generation achieves the best overall balance between task performance, execution speed, and trajectory smoothness by learning consistent action continuations during training. These findings clarify the practical trade-offs among asynchronous deployment strategies and provide guidance for deploying high-latency World Action Models in real-time robotic systems.
- Abstract（参考訳）: World Action Modelsは、反復的認知を通じて固定水平アクションチャンクを生成し、ロボット実行中に停止、停止アクション、不連続を引き起こす、相当な推論レイテンシを生成する。
本稿では、モデル推論とアクション実行の重なり合い、応答性とスムーズな制御を可能にする非同期デプロイメント戦略に関する実証的研究を行う。
10Hzのロボット上での同期実行、純粋な非同期切替、ポストホック動作ブレンディング、デノイング時間ブレンディング、推論時速度誘導、プレフィックス条件付き生成を含む6つの戦略を比較した。
評価は、オフラインの軌道解析と、動的操作、精度クリティカルな配置、長い水平タスクにわたるオンライン実験を組み合わせる。
この結果から,観測,予測,実行命令の正確な時間的アライメントを基本要件として同定した。
アライメントエラーは、単独でブレンドすることで修正できない永続的なチャンク境界不連続を生成する。
適切なアライメントにより、ダイレクトアクション重み付けは単純で滑らかなベースラインを提供するが、精度クリティカルなタスクでは精度を犠牲にする。
推論時のベロシティガイダンスは、当社のプラットフォーム上でのコミットアクションを確実に制限することができない。
対照的に、プレフィックス条件付き生成は、トレーニング中に一貫した動作継続を学習することで、タスクパフォーマンス、実行速度、軌道の滑らかさの最高の全体的なバランスを達成する。
これらの結果から,非同期配置戦略の実践的トレードオフを明らかにし,リアルタイムロボットシステムに高遅延世界行動モデルを展開するためのガイダンスを提供する。
関連論文リスト
- SmoothRL: Online Reinforcement Learning During Asynchronous Execution [12.24698147742807]
物理的な世界でロボットポリシーをデプロイするには、信頼性とスムーズなリアルタイム実行という、2つの基本的なデシダータを満たす必要がある。
SmoothRLは、非同期推論ループ内で事前訓練されたポリシーを微調整するオンライン強化学習フレームワークである。
我々は,SmoothRLを実世界のロボットタスクに対して高い精度で評価し,非同期実行を必要とする高ダイナミックなタスクについて検討した。
論文 参考訳（メタデータ） (2026-08-30T12:56:09Z) - StreamPI: Streaming Multimodal Temporal Modeling for Vision-Language-Action Models [84.17128030384099]
StreamPIはストリーミングマルチモーダル時間モデリングフレームワークである。
追加パラメータを導入することなく、単一フレームのVLAに時間的推論能力を持たせる。
メモリ依存および正確な認識シナリオにまたがる実ロボットタスクの実験とシミュレーションベンチマークのLIBEROは、StreamPIが様々なタスクでpi0.5より優れていることを示した。
論文 参考訳（メタデータ） (2026-08-26T17:33:19Z) - MotionDLO: Hybrid Event- and Frame-Based Tracking of Deformable Linear Objects [0.0]
我々は、時間的連続性と遅延の制限を克服するために特別に設計されたリアルタイムトラッキングフレームワークであるMotionDLOを紹介した。
この手法は、イベントベースカメラの高時間分解能と空間性を利用して、コヒーレントポイントドリフト(CPD)アルゴリズムとセグメンテーションを組み合わせる。
提案フレームワークはビデオシーケンス間でDLOインスタンスを確実に関連付け,ロボット操作タスクに対する堅牢な認識を可能にすることを実証する。
論文 参考訳（メタデータ） (2026-08-23T12:53:13Z) - DiscreteRTC: Discrete Diffusion Policies are Natural Asynchronous Executors [57.944744187489185]
外部修正をネイティブなアンマスクに置き換えるDiscreteRTCを提案する。
DiscreteRTCは、非同期のインペインティングのために0行のコードを実装するのが簡単で、スクラッチから生成したアクションに比べてわずか0.7倍の計算速度で推論が高速で、フローベースのRTCに比べて実世界の動的ピックタスクの成功率が50%向上した。
論文 参考訳（メタデータ） (2026-04-27T23:04:03Z) - FASTER: Rethinking Real-Time Flow VLAs [82.58822112377923]
VLA(Vision-Language-Action)モデルを物理世界に展開するには、リアルタイム実行が不可欠である。
反応時間は、TTFA(Time to First Action)と実行地平線によって決定される一様分布に従っていることを示す。
即時反応のための高速動作サンプリング(FASTER)を提案し,この問題を克服する。
論文 参考訳（メタデータ） (2026-03-19T17:51:37Z) - 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) - Real-Time Robot Execution with Masked Action Chunking [38.37108371991901]
ロボットのようなサイバー物理システムにはリアルタイム実行が不可欠である。
近年,リアルタイムロボット操作のためのシステムレベルのパラダイムとして,非同期推論が登場している。
本稿では,マスクされたアクションチャンキングによって事前訓練されたポリシーの修正を学習するREMACを提案する。
論文 参考訳（メタデータ） (2026-01-27T23:48:32Z) - BiKC+: Bimanual Hierarchical Imitation with Keypose-Conditioned Coordination-Aware Consistency Policies [25.25845809170421]
両手操作に適したキープレイス条件付き協調型整合性ポリシーを提案する。
本フレームワークは,階層的模倣学習を高レベルなキープレース予測器と低レベルな軌道生成器で実現する。
特に,ロボット中心の動作特徴とタスク中心の操作スタイルの両方を考慮することで,バイマニュアルのキープットを識別するための革新的なアプローチを考案する。
論文 参考訳（メタデータ） (2026-01-17T17:33:18Z) - VLA-RAIL: A Real-Time Asynchronous Inference Linker for VLA Models and Robots [5.308743386891208]
VLA(Vision-Language-Action)モデルは、ロボット工学において画期的な進歩を遂げた。
連続したアクションチャンクのキューを融合する戦略は、VLAモデル全体のパフォーマンスに大きな影響を与える。
既存の方法は、ロボットアクションの実行時にジッタ、ストール、あるいは停止に悩まされる。
本稿では,モデル推論とロボット動作制御を非同期に行うように設計された新しいフレームワークであるVLA-RAILを紹介する。
論文 参考訳（メタデータ） (2025-12-31T06:59:42Z) - BiKC: Keypose-Conditioned Consistency Policy for Bimanual Robotic Manipulation [48.08416841005715]
両面操作に適したキーポーズ条件の整合性ポリシーを導入する。
階層的な模倣学習フレームワークであり、ハイレベルなキープレース予測器と低レベルな軌道生成器から構成される。
シミュレーションおよび実世界の実験結果から,提案手法は成功率と運用効率の点で基準法を超越していることが示された。
論文 参考訳（メタデータ） (2024-06-14T14:49:12Z) - Time-series Generation by Contrastive Imitation [87.51882102248395]
モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。
推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
論文 参考訳（メタデータ） (2023-11-02T16:45:25Z)
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。