Fugu-MT 論文翻訳(概要): GlanceWAM: Sparse Test-Time Imagination for World-Action Models

論文の概要: GlanceWAM: Sparse Test-Time Imagination for World-Action Models

arxiv url: http://arxiv.org/abs/2608.23927v1
Date: Tue, 25 Aug 2026 00:19:09 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-26 14:09:34.668389
Title: GlanceWAM: Sparse Test-Time Imagination for World-Action Models
Title（参考訳）: GlanceWAM:World-Action Modelのスパーステストタイムイマジネーション
Abstract要約: GlanceWAMを導入し、単一のビデオDiT内での想像力を制御から切り離す。 24タスクのRoboCasaキッチンベンチマークでは72.2%に達している。 NVIDIA A100 GPU(同期ベースラインの24倍高速)上で、1チャンク当たり48ミリ秒で実行される。
参考スコア（独自算出の注目度）: 27.2350308442675
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Video generative models provide rich physical priors for robot learning, yet existing world-action models (WAMs) face a fundamental trade-off: synchronous video generation at control rate is latency-prohibitive, while abandoning test-time visual imagination sacrifices task success. We show that visual imagination achieves both real-time inference and superior success rates when generated asynchronously off the critical path and consumed directly in latent space. We introduce GlanceWAM, which decouples imagination from control within a single video DiT: an asynchronous proposer glances ahead on a slow clock to imagine a single lookahead frame seconds into the future in the background, while an action head decodes action chunks at control rate (48 ms) purely in latent space without blocking. Enabled by a non-interfering attention mask that isolates video representations and staleness-robust horizon training that accommodates asynchronous lookahead aging, GlanceWAM breaks the speed-success dilemma. Trained purely on demonstrations, it attains 72.2% on the 24-task RoboCasa kitchen benchmark (surpassing synchronous Cosmos Policy at 67.1% and imagination-free co-training at 64.4%) and 99.0% on LIBERO, executing at 48 ms per chunk on an NVIDIA A100 GPU (24x faster than synchronous baselines). Code is available at https://github.com/linhanwang/GlanceWAM.
Abstract（参考訳）: ビデオ生成モデルは、ロボット学習のためのリッチな物理的前提を提供するが、既存のワールドアクションモデル(WAM)は、基本的なトレードオフに直面している。視覚的想像力は、クリティカルパスから非同期に生成され、遅延空間で直接消費される場合に、リアルタイムの推論と優れた成功率の両方を達成することを示す。非同期プロジェクタは、スロークロックを前に見て、1つのルックアヘッドフレームがバックグラウンドで未来に秒間近づき、アクションヘッドは、ブロックすることなく純粋に制御速度(48ms)でアクションチャンクを復号する。ビデオ表現を分離する非干渉型アテンションマスクと、非同期なルックアヘッドの老化を許容するスタルネス・ローバストな水平トレーニングにより、GlanceWAMは、速さのジレンマを破る。 24タスクのRoboCasaキッチンベンチマーク(67.1%の同期コスモスポリシー、64.4%のイマジネーションなしのコトレーニング)では72.2%、LIBEROでは99.0%に達し、NVIDIA A100 GPU(同期ベースラインより24倍速い)では48ms/チャンクで実行される。コードはhttps://github.com/linhanwang/GlanceWAM.comで入手できる。

関連論文リスト

Building Pretraining Data for World Models: An Unreal Engine-Based Pipeline for Action-Conditioned Video Generation [53.851483224691634]
動作条件付きマルチビュービデオを生成するためにUnreal Engine上に構築した大規模合成データ生成パイプラインを提案する。パイプラインは1080pビデオの2,691時間、720pビデオの6,076時間を生成する。
論文参考訳（メタデータ） (2026-09-03T08:58:04Z)
SimWAM: A Simple World Action Model for End-to-End Autonomous Driving [66.93548079427477]
我々は、将来の映像予測を訓練時間監視信号として活用する、シンプルで効果的なWAMであるSimWAMを提案する。孤立した注意マスクは、将来のフレームとは独立して行動予測を保持し、推論時に明示的な将来のフレーム生成なしに軌道予測を可能にする。我々のSimWAMは、NAVSIM上の91.5 PDMSを達成し、最先端のWAMベースのプランナをはるかに低レイテンシで超越し、ゼロショットをnuScenesに転送する。
論文参考訳（メタデータ） (2026-08-07T17:59:09Z)
ReViV: Reconstructing the Viewer and the View in 4D from Monocular Egocentric Video [51.951128822418774]
ReViVは、総合的なエゴセントリックな4D再構成のためのフレームワークである。 Masked Generative Egocentric Transformerにより、ReViVは単一のフィードフォワードアーキテクチャ内で動作する。
論文参考訳（メタデータ） (2026-07-20T10:22:53Z)
Think at 5 Hz, Act at 20 Hz: Asynchronous Fast-Slow Vision-Language-Action Inference for Closed-Loop Driving [9.75159490914078]
大規模言語モデルは、命令の追従とシーン推論をエンドツーエンドの駆動にもたらす。既存のクローズドループエージェントはこのギャップを、別のシミュレーションティッチでモデルを呼び出すことで隠している。この妥協を取り除いた高速スローアーキテクチャを提案する。
論文参考訳（メタデータ） (2026-07-17T04:40:02Z)
UNIVERSE: Unified Video Action Models for Autonomous Driving with Flexible Mask-Modulated Modality Generation [23.675212404889805]
世界行動モデル(WAM)は、自律運転における行動一般化を改善する強力な可能性を示している。既存のカスケードまたはデュアルDiTは、アクション予測からビデオイマジネーションを分離する。マスク変調トランス上に構築された統合ビデオアクションモデルであるUNIVERSEを提案する。
論文参考訳（メタデータ） (2026-07-06T14:18:18Z)
KAM-WM: Kinematic Affordance Maps from Latent World Models for Robot Manipulation [12.364119683882015]
KAM-WMは,凍結遅延ビデオワールドモデルから粗い方向の相互作用キューを抽出するフレームワークである。 LIBEROとRoboTwin2.0全体で、KAM-WMは平均で90.6%の成功、65.7%、22.4%の成功となっている。
論文参考訳（メタデータ） (2026-07-06T04:17:15Z)
Unleashing Infinite Motion: Scaling Expressive Quadrupedal Motion via Generative Video Priors [16.885943699439377]
私たちは、アクロバティックな動作とパフォーマンス的な動作にまたがる7,488個の四足歩行のオープンソースデータセットであるQuad-Imaginariumをリリースした。生成問題として対応するデータをフレーミングすることで、動物をループから除去する、完全に自動化されたパイプラインであるUni-Moをリリースする。実Unitree Go2上の392個のランダムサンプリング動作を96.7%の成功率で検証し,97.6%の成功率で補完した。
論文参考訳（メタデータ） (2026-06-26T16:23:40Z)
AHA-WAM:Asynchronous Horizon-Adaptive World-Action Modeling with Observation-Guided Context Routing [45.6226084109777]
本稿では,Diffusion Transformer (DiT) アーキテクチャ上に構築されたAHA-WAM(Asynchronous Horizon-Adaptive World-Action Model)を提案する。 AHA-WAMはロボットデータの事前学習なしに最先端のパフォーマンスを達成し、RoboTwinで平均92.80%、実世界の4つのタスクで78.3%の成功を達成した。
論文参考訳（メタデータ） (2026-06-08T17:55:18Z)
GEM-4D: Geometry-Enhanced Video World Models for Robot Manipulation [72.52773248997929]
ビデオワールドモデルは、1つの命令から現実的な未来を生成できるが、時間とともに一貫したポイントレベルの動きを維持できないことが多い。 GEM-4Dは、トレーニング中にビデオ生成バックボーンに高密度な4D対応制御を注入する幾何学的地上ビデオワールドモデルである。 Inverse dynamicsモジュールは、対応性のあるビデオロールアウトを実行可能なロボットトラジェクトリに変換し、現実世界とシミュレーション操作の両方で直接デプロイできる。
論文参考訳（メタデータ） (2026-05-20T21:36:44Z)
Fast-WAM: Do World Action Models Need Test-time Future Imagination? [39.17692664456295]
世界行動モデル(WAM)は、身体制御のためのビジョン・ランゲージ・アクション(VLA)モデルに代わる有望な代替品として登場した。我々は、WAMがテスト時に明らかに将来的な想像力を必要とするのか、それともトレーニング中に主にビデオモデリングから得られる利益なのかを問う。我々は、トレーニング中にビデオのコトレーニングを継続するが、テスト時に将来の予測を省略するWAMアーキテクチャであるFast-WAMを提案する。
論文参考訳（メタデータ） (2026-03-17T15:33:43Z)
End-to-End Spatial-Temporal Transformer for Real-time 4D HOI Reconstruction [74.31251139839047]
THOは、ビデオと3Dテンプレートから、人間の動きと調整された物体の動きを前方に予測する、エンドツーエンドの空間-時間変換器である。実験により、THOは1つの4090 GPU上で31.5 FPSの推論速度で動作し、以前の最適化ベースの手法よりも600倍のスピードアップを達成した。
論文参考訳（メタデータ） (2026-03-15T15:21:36Z)
MotionStream: Real-Time Video Generation with Interactive Motion Controls [60.403597895657505]
単一GPU上で最大29FPSのストリーミング生成が可能なサブ秒レイテンシを実現するMotionStreamを提案する。提案手法は,グローバルなテキストプロンプトとローカルなモーションガイダンスに準拠する高品質なビデオを生成するが,リアルタイムでは推論を行わないモーションコントロールによるテキスト・ツー・ビデオモデルの拡張から始まる。我々のモデルでは、動きの追従と映像の質を2桁高速化し、無限長のストリーミングを可能にする。
論文参考訳（メタデータ） (2025-11-03T06:37:53Z)
It Takes Two: Masked Appearance-Motion Modeling for Self-supervised Video Transformer Pre-training [76.69480467101143]
自己監督型ビデオトランスフォーマーの事前トレーニングは、最近マスク・アンド・予測パイプラインの恩恵を受けている。本稿では,映像中の動きの手がかりを余分な予測対象として明示的に調査し,マスケッド・出現運動モデリングフレームワークを提案する。一般的なビデオ表現を学習し、Kinects-400で82.3%、Something V2で71.3%、UCF101で91.5%、HMDB51で62.5%を達成する。
論文参考訳（メタデータ） (2022-10-11T08:05:18Z)

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。