論文の概要: Dynin-Robotics: Omnimodal Unified Diffusion Vision-Language-Action Model

• arxiv url: http://arxiv.org/abs/2609.13053v1
• Date: Fri, 11 Sep 2026 16:49:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 07:38:31.817063
• Title: Dynin-Robotics: Omnimodal Unified Diffusion Vision-Language-Action Model
• Title（参考訳）: Dynin-Robotics:Omnimodal Unified Diffusion Vision-Language-Action Model
• Abstract要約: 視覚目標とダイナミックス予測は、目標とする結果とアクションに依存したシーン変化の表現の両方で言語条件のロボットポリシーを提供することができる。 ダイニン・ロボティクスはこの定式化をダイニン・オムニに実装し、言語、視覚的観察、ゴール、アクションを離散トークンとして表現している。 我々は、48のOpen X-Embodimentデータセットから約133万の軌道上でモデルを継続的に事前訓練し、下流ドメインに個別に適応する。
• 参考スコア（独自算出の注目度）: 7.384043308834925
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Visual goal and dynamics prediction can provide language-conditioned robot policies with both a target outcome and a representation of action-dependent scene changes. We bring these predictions into action generation and selection through a shared trajectory model. Dynin-Robotics implements this formulation on Dynin-Omni, an omnimodal masked-diffusion backbone, representing language, visual observations, goals, and actions as discrete tokens. By varying conditioning and target spans, the same model learns action prediction, action-conditioned next-observation prediction, terminal goal-state prediction, and trajectory-to-instruction reconstruction. These interfaces support test-time scaling through goal prediction, action-candidate evaluation, and joint refinement of action and future-state predictions. We continually pretrain the model on approximately 1.33 million trajectories from 48 Open X-Embodiment datasets and adapt it separately to downstream domains. On two VLABench tasks, robot pretraining improves adaptation within a fixed Stage-2 step budget, and the full objective mixture improves shifted-instruction success over Policy-only post-training under the same coupled decoder. Combining goal guidance with joint action-next-state denoising further improves shifted-instruction success over action-only decoding; the benefit depends on how the predictions are composed. Dynin-Robotics achieves competitive performance on LIBERO and zero-shot LIBERO-Plus, together with a 78.4% average success rate across four manipulation conditions on a Franka Research 3 robot. An optimized block-parallel implementation accelerates model-side action decoding by up to 29.2x relative to the base implementation under the reported profiling setup. These results support shared trajectory modeling as a common interface for learning complementary robot objectives and composing their predictions during control.
• Abstract（参考訳）: 視覚目標とダイナミックス予測は、目標とする結果とアクションに依存したシーン変化の表現の両方で言語条件のロボットポリシーを提供することができる。 我々はこれらの予測を共有軌道モデルを用いて行動生成と選択に導入する。 ダイニン・ロボティクス(Dynin-Robotics)はこの定式化をダイニン・オムニ(Dynin-Omni)に実装している。 異なる条件付けとターゲットスパンにより、同じモデルは行動予測、行動条件付き次観測予測、終端目標状態予測、軌道から指示への再構成を学ぶ。 これらのインターフェースは、目標予測、アクション候補評価、およびアクションと将来の予測の融合によるテスト時間スケーリングをサポートする。 我々は、48のOpen X-Embodimentデータセットから約133万の軌道上でモデルを継続的に事前訓練し、下流ドメインに個別に適応する。 2つのVLABenchタスクにおいて、ロボット事前訓練は、固定段階2ステップの予算内で適応を改善し、完全な目的混合は、同じ結合デコーダの下でポリシーのみのポストトレーニングよりもシフトインストラクション成功を改善する。 目標ガイダンスと共同行動-次の状態認知を組み合わせることで、アクションのみの復号化よりも指示のシフトの成功がさらに向上する。 ダイニン・ロボティクスはLIBEROとゼロショットのLIBERO-Plusで、フランカ・リサーチ3の4つの操作条件で平均78.4%の成功率を達成した。 最適化されたブロック並列実装は、報告されたプロファイリング設定の下でのベース実装と比較して、モデル側のアクションデコーディングを29.2倍高速化する。 これらの結果は、相補的なロボットの目的を学習し、制御中の予測を構成するための共通のインタフェースとして、共有軌道モデリングをサポートする。

関連論文リスト

• TrAct: Bridging Robot Control and Visual Prediction with Visual Tracks [22.702826122425268]
  制御と予測の中間インタフェースとして視覚トラックを用いた世界モデルに基づくロボット意思決定フレームワークTrActを提案する。 TrActは3つのコンポーネントから構成される: ビジョン・ランゲージ・アクション・アンド・トラックモデル(VLAT)は、現在の観察と言語指導から候補行動と対応する視覚トラックを共同で予測し、トラック条件付き世界モデル(TWM)は、提案されたトラックで条件付けられた将来の視覚結果を予測する。
  論文  参考訳（メタデータ） (2026-08-25T06:00:01Z)
• DECOWAM: Decoupled Whole-Body World-Action Model for Legged Mobile Manipulation [9.154987050049268]
  DeCOWAMは、カメラのエゴモーションをベースアクションとアームアクションとを分離する全身世界アクションモデルである。 固定されたリプレイプロトコルでは、DECWAMはFastWAM上での将来のビデオとアクションの予測を改善し、25.95Mのトレーニング可能な適応パラメータでアクションMSEを21.7%削減した。 これらの結果から,運動視点下でのパラメータ効率のよい共同視覚予測と全身制御を支援することが示唆された。
  論文  参考訳（メタデータ） (2026-08-20T14:44:11Z)
• From Imagined Futures to Executable Actions: Mixture of Latent Actions for Robot Manipulation [88.39072412680633]
  将来の映像を実行可能な表現に変換する制御指向インタフェースであるMoLAを提案する。 我々は,シミュレーションベンチマークと実世界のロボット操作タスクに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2026-05-12T14:15:16Z)
• HarmoWAM: Harmonizing Generalizable and Precise Manipulation via Adaptive World Action Models [58.191567345416836]
  世界行動モデル(WAM)は、物理力学のモデリングによるロボット制御のための有望なパラダイムとして登場した。 HarmoWAMは、予測と反応の制御を統一するために世界モデルを完全に活用し、一般的なトランジットと正確な操作を可能にする。 実世界の6つのロボットタスクにまたがる3つのトレーニング未確認テスト環境を構築し、背景、位置、オブジェクトの意味のバリエーションをカバーした。
  論文  参考訳（メタデータ） (2026-05-11T17:59:56Z)
• ProgressVLA: Progress-Guided Diffusion Policy for Vision-Language Robotic Manipulation [57.07494675832939]
  ロボット操作のための既存の視覚言語アクション(VLA)モデルは、進歩意識を欠いている。 本研究では,textbf vla という新しいモデルを提案し,タスク進捗の推定と統合について検討する。 CALVINとLIBEROベンチマークの実験は、実世界のロボットの展開とともに、成功率の大幅な改善を一貫して示している。
  論文  参考訳（メタデータ） (2026-03-29T12:38:11Z)
• Disentangled Robot Learning via Separate Forward and Inverse Dynamics Pretraining [28.30092786035367]
  DeFIはビジュアルフォワードと逆ダイナミクスを分離し、各データソースを利用するための新しいフレームワークである。 今後の予測のために,多種多様な人・ロボットビデオで事前訓練された一般フォワード・ダイナミクス・モデル(GFDM)と,ラベルなしビデオ遷移から潜伏行動を予測するための自己教師付き学習によって訓練された一般逆ダイナミクス・モデル(GIDM)を紹介する。 CALVIN ABC-D と SimplerEnv の実験では、DeFI は CALVIN の平均タスク長 4.51 に達し、SimplerEnv-Frac は 51.2% 成功した。
  論文  参考訳（メタデータ） (2026-03-27T17:20:10Z)
• Ego-centric Predictive Model Conditioned on Hand Trajectories [52.531681772560724]
  自我中心のシナリオでは、次の行動とその視覚的結果の両方を予測することは、人間と物体の相互作用を理解するために不可欠である。 我々は,エゴセントリックなシナリオにおける行動と視覚的未来を共同でモデル化する,統合された2段階予測フレームワークを提案する。 我々のアプローチは、エゴセントリックな人間の活動理解とロボット操作の両方を扱うために設計された最初の統一モデルである。
  論文  参考訳（メタデータ） (2025-08-27T13:09:55Z)
• Physical Autoregressive Model for Robotic Manipulation without Action Pretraining [65.8971623698511]
  我々は、自己回帰ビデオ生成モデルを構築し、物理自己回帰モデル(PAR)を提案する。 PARは、アクション事前トレーニングを必要とせず、物理力学を理解するために、ビデオ事前トレーニングに埋め込まれた世界の知識を活用する。 ManiSkillベンチマークの実験は、PARがPushCubeタスクで100%の成功率を達成したことを示している。
  論文  参考訳（メタデータ） (2025-08-13T13:54:51Z)
• Trajectory Mamba: Efficient Attention-Mamba Forecasting Model Based on Selective SSM [16.532357621144342]
  本稿では、選択状態空間モデル(SSM)に基づく新しい効率的な軌道予測フレームワークであるTrajectory Mambaを紹介する。 注意機構の変更による予測精度の潜在的な低減に対処するため,共同ポリリン符号化戦略を提案する。 本モデルでは,Argoverse 1 と Argoverse 2 の両方のデータセットにおける推定速度とパラメータ効率の両面から,最先端の結果が得られる。
  論文  参考訳（メタデータ） (2025-03-13T21:31:12Z)
• HybridVLA: Collaborative Diffusion and Autoregression in a Unified Vision-Language-Action Model [54.64088247291416]
  操作ポリシー設計の基本的な目的は、ロボットに人間の指示を理解し、シーンの手がかりを推論し、動的な環境で一般化されたアクションを実行することである。 近年の自己回帰的視覚言語行動(VLA)法は、視覚言語モデル(VLM)から常識推論能力を継承し、次の行動予測を行う。 拡散に基づく行動の連続的な性質と自己回帰の文脈的推論を吸収する統合フレームワークであるHybridVLAを紹介する。
  論文  参考訳（メタデータ） (2025-03-13T17:59:52Z)
• Conditional Goal-oriented Trajectory Prediction for Interacting Vehicles with Vectorized Representation [10.190939530193502]
  2つの相互作用エージェントのシーン準拠トラジェクトリを共同生成するための条件目標指向軌道予測(CGTP)フレームワーク。 コンテキストエンコーディング、ゴールインタラクティブ予測、軌道インタラクティブ予測の3つの主要なステージ。 対話エージェント間の協調確率分布をよりよく学習するために,新たな目標対話型損失法を開発した。
  論文  参考訳（メタデータ） (2022-10-19T15:14:46Z)

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。