論文の概要: Faster-WAM: Efficient Inference-Time Future Conditioning for Robust World Action Models

• arxiv url: http://arxiv.org/abs/2608.04404v1
• Date: Wed, 05 Aug 2026 03:18:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 14:48:43.700849
• Title: Faster-WAM: Efficient Inference-Time Future Conditioning for Robust World Action Models
• Title（参考訳）: 高速WAM:ロバストな世界行動モデルのための効率的な推論時将来の条件付け
• Authors: Weiheng Zhao, Haoyi Jiang, Xin Shi, Liu Liu, Fan Huang, Zhizhong Su, Wei Sui, Xinggang Wang,
• Abstract要約: 世界行動モデル(WAM)は、現在の観察を超えて環境がどのように進化するかを学ぶことで、ロボット操作を改善する。 ジョイントWAMは、推論中に将来の認識表現を保持するが、計算コストは不当である。 分布シフト下での一般化には,予測時将来の条件付けが不可欠であることを示す。
• 参考スコア（独自算出の注目度）: 40.0682886050991
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: World Action Models (WAMs) improve robot manipulation by learning how the environment evolves beyond the current observation. However, existing approaches face a fundamental dilemma: Joint-WAMs preserve future-aware representations during inference but incur prohibitive computation costs, while efficient alternatives remove future modeling at inference time and may lose the robustness benefits of temporal reasoning. In this work, we revisit the role of future representations in WAMs and show that inference-time future conditioning is critical for generalization under distribution shifts. This observation motivates Faster-WAM, an efficient future-conditioning WAM that preserves future representations while avoiding expensive video-action interaction. Faster-WAM introduces a sparse future-conditioning framework that computes future representations once and selectively reuses them throughout action denoising. Specifically, we propose SparseMoT to replace ubiquitous layer-wise fusion with selective video-action interaction at a compact subset of network stages, and Interval KV-Fusion to aggregate multi-depth future representations without increasing attention complexity. Experiments demonstrate that Faster-WAM achieves a substantially better performance-efficiency trade-off than existing WAMs. On the out-of-distribution LIBERO-Plus benchmark, Faster-WAM improves success rate from 49.14% to 73.57% compared with Fast-WAM, while running 2.21$\times$ faster than Joint-WAM. It further achieves state-of-the-art performance on LIBERO and RoboTwin 2.0, while demonstrating strong robustness in real-world manipulation.
• Abstract（参考訳）: 世界行動モデル(WAM)は、現在の観察を超えて環境がどのように進化するかを学ぶことで、ロボット操作を改善する。 しかし、既存のアプローチは基本的なジレンマに直面している: ジョイントWAMは推論中に将来の認識表現を保存するが、計算コストを抑える一方、効率的な代替手段は推論時に将来のモデリングを取り除き、時間的推論の堅牢さの利点を失う可能性がある。 本研究では,WAMにおける将来の表現の役割を再考し,分散シフトの下での一般化に推論時将来の条件付けが重要であることを示す。 この観察は、高額なビデオ-アクションインタラクションを回避しつつ、将来の表現を効率的に保存するWAMであるFaster-WAMを動機付けている。 Faster-WAMは、将来の表現を一度計算し、アクションのデノゲーションを通じてそれらを選択的に再利用するスパース・フューチャーコンディショニングフレームワークを導入している。 具体的には、ネットワークステージのコンパクトなサブセットにおいて、ユビキタス層ワイド融合を選択的ビデオアクションインタラクションに置き換えるSparseMoTと、注意の複雑さを増大させることなく、多次元未来表現を集約するInterval KV-Fusionを提案する。 実験により、Faster-WAMは既存のWAMよりもはるかに優れた性能と効率のトレードオフを実現することが示された。 配布外ベンチマークであるLIBERO-Plusでは、Fast-WAMと比較して、Faster-WAMは49.14%から73.57%に改善され、Joint-WAMよりも2.21$\times$高速に動作した。 さらに、LIBEROとRoboTwin 2.0の最先端のパフォーマンスを達成し、現実世界の操作において強力な堅牢性を示している。

関連論文リスト

• ST-WAM: Semantic-Temporal World Action Model for Robust Manipulation under Visual Distribution Shifts [24.959404195743744]
  トレーニング・ディストリビューション・ハロシン化(英語: Training-Distribution Hallucination)とは、現在のシーンに忠実に留まらず、視覚的に変化した観察で条件付けられた未来がトレーニング領域の内容に幻覚を与える現象である。 本稿では,DINOv3 を将来予測と履歴検索のための共有意味表現として用き,詳細なVAE のダイナミクスを維持しつつ,アクションロバスト性を向上させるセマンティック・テンポラル WAM (ST-WAM) を提案する。
  論文  参考訳（メタデータ） (2026-07-31T03:44:56Z)
• Next Forcing: Causal World Modeling with Multi-Chunk Prediction [65.05727210375643]
  Next Forcingは、因果世界モデリングのためのマルチチャンク予測フレームワークである。 トレーニングの高速化、精度の向上、推論の高速化を実現している。 5kのトレーニングステップでLingBot-VAよりも93.1%向上し、2.3倍高速収束を実現している。
  論文  参考訳（メタデータ） (2026-06-09T17:59:22Z)
• Efficient-WAM: A 1B-Parameter World-Action Model with Low-Cost Future Imagination [45.6948544726412]
  World-Action Models (WAM) は未来の視覚予測とアクション生成を結合する。 ほとんどの既存のWAMは将来の予測に依存しており、高い推論遅延を引き起こし、リアルタイムロボットのデプロイを困難にしている。 本稿では,その制御利益を保ちつつ,将来の想像力のコストを低減させるワールド・アクション・モデルであるEfficient-WAMを紹介する。
  論文  参考訳（メタデータ） (2026-06-08T18:14:08Z)
• FUTURE-VLA: Forecasting Unified Trajectories Under Real-time Execution [27.399648455932397]
  FUTURE-VLAは、長期制御と将来の予測をモノリシックなシーケンス生成タスクとして再構成する統一アーキテクチャである。 FUTURE-VLAはLIBEROで99.2%、RoboTwinで75.4%、現実世界のPiperプラットフォームで78.0%の成功率を達成した。
  論文  参考訳（メタデータ） (2026-02-05T14:27:43Z)
• FASTer: Toward Efficient Autoregressive Vision Language Action Modeling via Neural Action Tokenization [61.10456021136654]
  本稿では,効率的で汎用的なロボット学習のための統合フレームワークであるFASTerを紹介する。 FASTerVQは、アクションチャンクをシングルチャネルイメージとしてエンコードし、高い圧縮比を維持しながら、グローバルな時間的依存関係をキャプチャする。 FASTerVLAはブロックワイドの自動回帰デコーディングと軽量アクションエキスパートを備えたトークンライザ上に構築されており、推論の高速化とタスクパフォーマンスの向上を実現している。
  論文  参考訳（メタデータ） (2025-12-04T16:21:38Z)

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。