Fugu-MT 論文翻訳(概要): Rethink Before You Execute: Adaptive Execution for World Action Models

論文の概要: Rethink Before You Execute: Adaptive Execution for World Action Models

arxiv url: http://arxiv.org/abs/2608.09492v1
Date: Mon, 10 Aug 2026 11:59:42 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-11 19:16:37.246568
Title: Rethink Before You Execute: Adaptive Execution for World Action Models
Title（参考訳）: 世界行動モデルへの適応的実行
Abstract要約: 世界行動モデルは、将来の行動と環境の進化を共同で予測する。この固定された実行の地平線は実行のダイナミクスとあまり一致していないと我々は主張する。 WAMのための軽量なプラグアンドプレイ実行方式であるTempoWAMを提案する。
参考スコア（独自算出の注目度）: 29.76405877028887
License: http://creativecommons.org/licenses/by/4.0/
Abstract: World Action Models (WAMs) jointly predict future actions and the evolution of the environment. At each inference, a WAM generates a chunk of actions and the robot executes a fixed prefix before replanning. We argue that this fixed execution horizon is poorly matched to execution dynamics: the chunk reliability varies across task stages, so when to replan depends on the result of accumulated execution, not on the step counts. We propose TempoWAM (Timing Execution by Monitoring Progress Online), a lightweight plug-and-play execution scheme for WAMs. A Recurrent Progress Monitor first estimates task progress from the current observation, task instruction, remaining actions, and execution history; and an Adaptive Execution Protocol then evaluates whether the chunk is advancing the task to decide if replanning is needed. To bridge the training-deployment gap, the protocol is calibrated by a task-dependent calibration factor with online adaptation. Experiments on LIBERO, RoboTwin, and real-world tasks show that TempoWAM consistently improves the efficiency-success trade-off of WAM execution. On real robots, it reduces WAM inferences by 26.9% on easy tasks while maintaining success, and improves success by 13.3 points on difficult tasks.
Abstract（参考訳）: 世界行動モデル(WAM)は、将来の行動と環境の進化を共同で予測する。各推論において、WAMは一連のアクションを生成し、ロボットは、再計画する前に固定プレフィックスを実行する。チャンクの信頼性はタスクステージによって異なるので、いつ再計画するかは、ステップ数ではなく、累積実行の結果に依存します。本稿では,WAMの軽量なプラグ・アンド・プレイ実行方式であるTempoWAM(TempoWAM: Timing Execution by Monitoring Progress Online)を提案する。リカレントプログレスモニターは、まず現在の観察、タスク命令、残りのアクション、実行履歴からタスクの進捗を推定し、アダプティブ実行プロトコルは、チャンクがタスクを前進させ、再計画が必要かどうかを決定するかどうかを評価する。トレーニングとデプロイメントのギャップを埋めるために、このプロトコルはタスク依存のキャリブレーションファクタによって、オンライン適応でキャリブレーションされる。 LIBERO、RoboTwin、および実世界のタスクの実験は、TempoWAMが一貫してWAM実行の効率-成功トレードオフを改善していることを示している。実際のロボットでは、WAM推論は成功を維持しながら簡単なタスクで26.9%削減され、難しいタスクで13.3ポイント改善される。

関連論文リスト

EmbodiedSkills: A Unified Framework for Orchestrating, Training, and Deploying VLA Agents [56.25120535601186]
視覚言語アクション(VLA)モデルは、視覚観察と言語指示を直接ロボットアクションにマッピングする。本稿では,各スキル決定を実行提案として扱うフレームワークであるEmbodiedSkillsを提案する。共有可能スキルインタフェースは、ハイレベルスキル選択、バウンドローレベルVLA実行、ポストアクション検証を接続する。
論文参考訳（メタデータ） (2026-09-01T14:14:47Z)
HarnessWAM: Bridging Prediction and Deliberation in World Action Models [39.20825071922887]
World Action Models (WAM) は、環境力学とロボットの動作を共同で学習し、身体的制御に物理的進化の先行を取り入れている。本稿では,WAMの予測・検討ギャップに対処するため,WAMのエージェントフレームワークであるHarnessWAMを提案する。我々は、HarnessWAMがRoboMemArenaで59.6%、69.9%、RoboCerebra Idealで23.7%、最先端のフルタスクとサブタスクの成功率を達成したことを示す。
論文参考訳（メタデータ） (2026-08-10T12:15:59Z)
PolicyTrim: Boosting Intrinsic Policy Efficiency of Vision-Language-Action Models [50.232333672172395]
VLA(Vision-Language-Action)モデルは、ロボット操作の統一パラダイムを提供するが、実際のデプロイメントは実行効率によってボトルネックになることが多い。強化学習に基づくポストトレーニングフレームワークである textbfPolicyTrim を提案する。私たちのフレームワークは、タスクの成功率を損なうことなく、最大5.83$times$エンドツーエンドのデプロイメントスピードアップを提供します。
論文参考訳（メタデータ） (2026-06-21T14:54:07Z)
When to Trust Imagination: Adaptive Action Execution for World Action Models [42.51856318901667]
世界行動モデル(WAM)は、近ごろ、将来の視覚的観察と将来の行動を共同で予測することによって、ロボット操作のための有望なパラダイムとして登場した。現在のWAMは、各モデル推論の後、一定の数の予測アクションを実行し、ロボットは、想像された未来が実際の物理的なロールアウトと一致しているかどうかを無視する。我々は,将来性検証問題として適応型WAM実行を定式化し,WAM予測された未来が信頼性を保ちながらロボットはより長く実行すべきであり,現実が想像力から逸脱した場合にはより早く再計画する。
論文参考訳（メタデータ） (2026-05-07T13:18:28Z)
Hierarchical Task Model Predictive Control for Sequential Mobile Manipulation Tasks [10.635304654522814]
本稿では,ロボットの冗長性を効果的に活用することにより,性能と反応性を改善したシーケンシャルタスクを完遂できる新しい階層型タスクモデル予測制御フレームワークを提案する。典型的な単一タスクアーキテクチャと比較して,提案した階層型タスク制御アーキテクチャにより,ロボットはタスク空間の短い経路を横切ることができ,デリバリタスクのシーケンスの実行時の実行時間を2.3倍速くすることができる。
論文参考訳（メタデータ） (2026-03-10T21:07:02Z)
See, Plan, Rewind: Progress-Aware Vision-Language-Action Models for Robust Robotic Manipulation [59.07792608884117]
本稿では,See, Plan, Rewind (SPR)について紹介する。 SPRは、現在の状態と今後のマイルストーンを見て、次の2Dウェイポイントに向けて軌道を計画し、障害時に回復可能な状態に戻すという、継続的なコアサイクルを通じて運用される。 SPRは、OpenVLA-OFTとUniVLAを上回る最小のパフォーマンス低下で最先端のロバスト性を達成する。
論文参考訳（メタデータ） (2026-03-10T07:22:51Z)
Haste Makes Waste: Evaluating Planning Abilities of LLMs for Efficient and Feasible Multitasking with Time Constraints Between Actions [56.88110850242265]
本稿では,現実の調理シナリオに基づいた新しいベンチマークフレームワークRecipe2Planを紹介する。従来のベンチマークとは異なり、Recipe2Planは並列タスク実行による調理時間を最適化するためにエージェントに挑戦する。
論文参考訳（メタデータ） (2025-03-04T03:27:02Z)
Model Predictive Task Sampling for Efficient and Robust Adaptation [57.414812940406996]
本稿では,タスク空間と適応リスク分布をブリッジするフレームワークであるモデル予測タスクサンプリング(MPTS)を紹介する。 MPTSは、エピソード最適化プロセスの特徴付けに生成モデルを使用し、後部推論によりタスク固有の適応リスクを予測する。 MPTSはゼロショット、少数ショット、教師付き微調整設定にシームレスに統合される。
論文参考訳（メタデータ） (2025-01-19T13:14:53Z)
Flow: Modularized Agentic Workflow Automation [53.073598156915615]
大規模言語モデル(LLM)を利用したマルチエージェントフレームワークは、自動計画とタスク実行において大きな成功を収めている。しかし, 実行中のエージェントの効果的な調整は十分に研究されていない。本稿では,エージェントによる継続的なワークフロー改善を可能にするアクティビティ・オン・頂点(AOV)グラフを定義する。提案するマルチエージェントフレームワークは,サブタスクの効率的な同時実行,効果的なゴール達成,エラー耐性の向上を実現している。
論文参考訳（メタデータ） (2025-01-14T04:35:37Z)
Reinforcement Learning with Success Induced Task Prioritization [68.8204255655161]
本稿では,自動カリキュラム学習のためのフレームワークであるSuccess induced Task Prioritization (SITP)を紹介する。アルゴリズムはエージェントに最速の学習を提供するタスクの順序を選択する。我々は,SITPが他のカリキュラム設計手法と一致するか,あるいは上回っていることを実証する。
論文参考訳（メタデータ） (2022-12-30T12:32:43Z)

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。