論文の概要: DIDO: Distilling Interaction-Centric Dynamics into One-Step Denoising for World Action Models
- arxiv url: http://arxiv.org/abs/2609.15570v2
- Date: Tue, 15 Sep 2026 05:54:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 14:56:08.099345
- Title: DIDO: Distilling Interaction-Centric Dynamics into One-Step Denoising for World Action Models
- Title（参考訳）: DIDO:世界行動モデルのための1ステップデノナイジングへの相互作用中心ダイナミクスの蒸留
- Abstract要約: マルチステップビデオモデルの収束力学を1段階に蒸留するDIDOを提案する。
DIDOはLIBEROの平均成功率は99.0%、LIBERO-Plusは76.6%、RoboTwinは92.0%である。
- 参考スコア（独自算出の注目度）: 42.05121721998837
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: World Action Models (WAMs) use video generation models to predict future visual dynamics for robotic manipulation, but iterative denoising introduces additional latency for closed-loop control. We empirically find that visual content converges at different rates during denoising. Static background structure forms early, whereas the gripper and manipulated object remain blurry after the first step, with their interaction dynamics emerging only through subsequent denoising. Consequently, naively truncating a multi-step video model to one step preserves scene structure but loses the interaction-centric dynamics most critical for manipulation. To address this issue, we propose DIDO, which distills the converged dynamics of a multi-step video model into a single denoising step. DIDO combines distribution matching distillation with interaction-centric representation guidance. Beyond compressing multi-step generation into one forward pass, DIDO explicitly models the gripper, manipulated object, and their interaction using supervised bounding-box visual reasoning tokens. Additionally, DIDO aligns the target object's representations across multiple model layers with features from a pretrained DINOv3 encoder. This interaction-centric guidance helps the distilled model preserve both the relevant entities and their future dynamics in a single step, while substantially reducing inference latency. DIDO achieves an average success rate of 99.0\% on LIBERO, 76.6\% on LIBERO-Plus, and 92.0\% on RoboTwin, while also demonstrating effective transfer to long-horizon and generalization tasks in real-world robotic manipulation.
- Abstract（参考訳）: World Action Models (WAMs) はビデオ生成モデルを使用してロボット操作の将来の視覚力学を予測するが、反復的認知はクローズドループ制御にさらなる遅延をもたらす。
視覚的内容が認知の過程で異なる速度で収束していることを経験的に見出した。
静的な背景構造は早い段階で形成され、グリップと操作された物体は最初の段階以降もぼやけており、相互作用のダイナミクスはその後の認知を通じてのみ現れる。
その結果、複数ステップのビデオモデルを1ステップに切り換えることでシーン構造を保存できるが、操作に最も重要となるインタラクション中心のダイナミクスは失われる。
この問題に対処するため,多段階ビデオモデルの収束力学を1段階に蒸留するDIDOを提案する。
DIDOは、分配マッチング蒸留と相互作用中心の表現誘導を組み合わせる。
マルチステップ生成を1つのフォワードパスに圧縮する以外に、DIDOはグリッパー、操作対象、およびそれらの相互作用を、教師付きバウンディングボックスの視覚的推論トークンを使用して明示的にモデル化する。
さらにDIDOは、対象オブジェクトの表現を、事前訓練されたDINOv3エンコーダのフィーチャと複数のモデル層に並べる。
この相互作用中心のガイダンスは、蒸留モデルが関連するエンティティと将来のダイナミクスの両方を単一のステップで保存し、推論遅延を大幅に低減するのに役立つ。
DIDO は LIBERO では 99.0\%、LIBERO-Plus では 76.6\%、RoboTwin では 92.0\% の平均成功率は 99.0\% である。
関連論文リスト
- Dynamic-Robust Photometric-Semantic Reconstruction for Open-Vocabulary 3D Scene Understanding [63.599342750566485]
SPARは、潜在空間アグリゲーションの前に過渡的ダイナミックノイズを明示的に分離する新しい意味幾何学的エンコーディングアーキテクチャである。
エンド・ツー・エンドのアプローチは例外的な新規なビュー合成品質を実現し、PSNRは22.15dB、23.33dBでそれぞれ3と4の入力ビューしか与えられなかった。
論文 参考訳（メタデータ） (2026-08-29T09:58:24Z) - 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) - Dynamic Neural Koopman Distillation for Real-Time Robot Control Using Diffusion Models [11.615273931053915]
本研究では,マルチステップ拡散推論を1つの前方通過に蒸留する動的ニューラルクープマン蒸留法を提案する。
提案手法を標準D4RL MuJoCoロコモーションベンチマークと物理キノバマニピュレータで評価した。
論文 参考訳（メタデータ） (2026-05-24T08:03:49Z) - Ada3Drift: Adaptive Training-Time Drifting for One-Step 3D Visuomotor Robotic Manipulation [53.750389076941396]
拡散に基づくビジュモータポリシーは反復的認知を通じて多モーダルな動作分布をキャプチャするが、その高い推論遅延はリアルタイムロボット制御を制限する。
Ada3Driftは,専門家のデモモードに対して予測された行動を引き付ける訓練時間ドリフト場を学習する。
Ada3Driftは、拡散ベースの代替よりも10倍の関数評価を必要としながら、最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2026-03-12T14:36:53Z) - AGILE: Hand-Object Interaction Reconstruction from Video via Agentic Generation [45.753757870577196]
本稿では,対話学習のためのエージェント生成にパラダイムを転換する,堅牢なフレームワークAGILEを紹介する。
我々はAGILEがグローバルな幾何学的精度でベースラインを上回り、先行技術が頻繁に崩壊する挑戦的なシーケンスに対して、例外的な堅牢性を証明していることを示す。
論文 参考訳（メタデータ） (2026-02-04T15:42:58Z) - mimic-video: Video-Action Models for Generalizable Robot Control Beyond VLAs [5.109732854501585]
そこで我々は,事前学習したインターネットスケールのビデオモデルと,その潜在表現に条件付けされたフローマッチングに基づくアクションデコーダを組み合わせた,新しいビデオ・アクション・モデル(VAM)を提案する。
提案手法は,シミュレーションおよび実世界のロボット操作タスクにおける最先端性能を実現し,サンプル効率を10倍,収束速度を2倍向上させる。
論文 参考訳（メタデータ） (2025-12-17T18:47:31Z) - Towards One-step Causal Video Generation via Adversarial Self-Distillation [71.30373662465648]
最近のハイブリッドビデオ生成モデルは、自己回帰時間力学と拡散に基づく空間認知を組み合わせている。
我々のフレームワークは、複数の推論ステップ設定を柔軟にサポートする単一の蒸留モデルを生成する。
論文 参考訳（メタデータ） (2025-11-03T10:12:47Z) - DiViD: Disentangled Video Diffusion for Static-Dynamic Factorization [2.0032531485183345]
静的・動的因数分解のための最初のエンドツーエンドビデオ拡散フレームワークであるDiViDを紹介する。
DiViDは、最初のフレームとフレームごとの動的トークンからグローバルな静的トークンを抽出し、モーションコードから静的コンテンツを明示的に削除する。
我々は、スワップベースの精度とクロスリーカシメトリクスを用いて、実世界のベンチマーク上でDiViDを評価する。
論文 参考訳（メタデータ） (2025-07-18T14:09:18Z) - Learning Video Generation for Robotic Manipulation with Collaborative Trajectory Control [72.00655365269]
本稿では,協調的軌跡定式化を通じてオブジェクト間ダイナミクスをモデル化する新しいフレームワークであるRoboMasterを紹介する。
オブジェクトを分解する従来の方法とは異なり、我々のコアは、相互作用プロセスを3つのサブステージ(相互作用前、相互作用後、相互作用後)に分解することである。
提案手法は既存の手法よりも優れており,ロボット操作のための軌道制御ビデオ生成における最先端性能を確立している。
論文 参考訳（メタデータ） (2025-06-02T17:57:06Z) - DualAD: Disentangling the Dynamic and Static World for End-to-End Driving [11.379456277711379]
自動運転のための最先端のアプローチは、全体運転タスクの複数のサブタスクを単一のパイプラインに統合する。
動的エージェントと静的シーン要素を分離する専用表現を提案する。
DualADというタイトルの手法は、独立に訓練されたシングルタスクネットワークよりも優れています。
論文 参考訳（メタデータ） (2024-06-10T13:46:07Z)
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。