論文の概要: MoWAM: Explicit Future Motion Prediction for Efficient World Action Models

• arxiv url: http://arxiv.org/abs/2609.20709v1
• Date: Thu, 17 Sep 2026 17:07:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.39448
• Title: MoWAM: Explicit Future Motion Prediction for Efficient World Action Models
• Title（参考訳）: MoWAM:効率的な世界行動モデルのための明示的な将来の動き予測
• Abstract要約: MoWAMは、将来の動画生成を明示的な将来の動き予測に置き換える効率的なWAMである。 Mixture-of-Transformerアーキテクチャは、動作と動作を共同で予測しながら、トレーニング中の将来の視覚力学を学習する。 LIBERO, LIBERO-Plus, および実世界の操作タスクの実験により, MoWAMは, 配電性能が向上し, 配電安定性が向上し, より平均的な実世界の成功が得られた。
• 参考スコア（独自算出の注目度）: 38.28877145670457
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: World Action Models (WAMs) improve robot policy learning by incorporating future dynamics, yet explicitly generating future videos at inference introduces substantial computational overhead. Removing future generation improves efficiency, but leaves future dynamics only implicitly encoded in observation features, which can limit robustness under distribution shifts. We propose MoWAM, an efficient WAM that replaces future video generation with explicit future motion prediction. Instead of reconstructing the complete future scene, MoWAM models structured robot motion as a compact abstraction of the future, capturing how the robot is expected to evolve under the current scene and interaction constraints. A Mixture-of-Transformer architecture learns future visual dynamics during training while jointly predicting motion and action, allowing video generation to be removed entirely at inference while retaining an explicit representation of the future. The compact motion representation further enables efficient inference-time scaling by sampling multiple candidates of motion and action pairs and selecting among them with a motion-aware task-progress verifier. Experiments on LIBERO, LIBERO-Plus, and real-world manipulation tasks demonstrate that MoWAM achieves strong in-distribution performance, improved out-of-distribution robustness, and higher average real-world success than representative WAM baselines. In addition, performance improves as more candidates are explored, demonstrating that explicit future motion provides an effective and efficient basis for inference-time scaling.
• Abstract（参考訳）: 世界行動モデル(WAM)は、未来のダイナミクスを取り入れたロボットポリシー学習を改善するが、推論時に将来の動画を明示的に生成することは、かなりの計算オーバーヘッドをもたらす。 将来の世代を除去することで効率が向上するが、将来のダイナミクスは観測機能に暗黙的に符号化されているだけであり、分散シフトの下ではロバスト性を制限することができる。 我々は、将来の動画生成を明示的な将来の動き予測に置き換える効率的なWAMであるMoWAMを提案する。 完全な未来のシーンを再構築する代わりに、MoWAMは未来のコンパクトな抽象化として構造化されたロボットの動きをモデル化し、ロボットが現在のシーンと相互作用の制約の下でどのように進化するかをキャプチャする。 Mixture-of-Transformerアーキテクチャは、動作と動作を共同で予測しながら、トレーニング中に将来の視覚力学を学習し、将来の明示的な表現を維持しつつ、推論時にビデオ生成を完全に除去することができる。 コンパクトな動作表現は、複数の動作候補と動作ペアをサンプリングし、それらの中から動作対応タスクプログレス検証器で選択することで、効率的な推論時間スケーリングを可能にする。 LIBERO, LIBERO-Plus, および実世界の操作タスクに対する実験により, MoWAMは, 分配性能が向上し, 分布外ロバスト性が向上し, 代表的なWAMベースラインよりも平均的な実世界の成功率が向上することを示した。 さらに、より多くの候補が探索されるにつれて、パフォーマンスが向上し、明示的な将来の動きが推論時間スケーリングの効率的かつ効率的な基盤を提供することを示した。

関連論文リスト

• Foresight Without Seeing: Latent Futures for World Action Models [31.423405133926334]
  本稿では,動的条件付き直接政治WAMであるForeWAMを提案する。 また、凍結した潜伏行動教師が指導するダイナミクスを導入し、物体の動きや接触変化、タスクの進行といった相互作用によって引き起こされる遷移を、暗黙の未来の状態が捉えることを奨励する。 ロボットデータの事前トレーニングがなければ、ForeWAMの標準版と加速版は平均96.7%、LIBEROは96.9%である。
  論文  参考訳（メタデータ） (2026-08-12T03:27:43Z)
• GigaWorld-Policy-0.5: A Faster and Stronger WAM Empowered by AutoResearch [66.7936140772745]
  本稿では,より効率的なロボット制御を目的としたアクション中心型WAMであるGigaWorld-Policy-0.5を紹介する。 効率的な推論のために、GigaWorld-Policy-0.5はMixture-of-Transformersアーキテクチャを導入している。 GigaWorld-Policy-0.5は,ロボット制御の推論効率を向上しつつ,将来の視覚力学のトレーニング効果を保っている。
  論文  参考訳（メタデータ） (2026-07-15T15:46:42Z)
• LaWAM: Latent World Action Models for Efficient Dynamics-Aware Robot Policies [31.88655699486955]
  ラワント・アクション条件付きラワント・ワールドモデル(LaWM)を提案する。 LaWAMは、将来のビデオの再構成ではなく、コンパクトで潜伏した視覚サブゴールを通じて、ロボットポリシーに対する予測ダイナミクスを公開する。 LaWAMはアクションチャンク予測あたり187msで動作し、画素空間のWAMよりも最大24倍の遅延時間を実現する。
  論文  参考訳（メタデータ） (2026-06-14T12:06:58Z)
• 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)
• GigaWorld-Policy: An Efficient Action-Centered World--Action Model [50.107640832046464]
  GigaWorld-Policyはアクション中心のWAMで、2Dピクセルアクションのダイナミクスを学習し、オプションのビデオ生成で効率的なアクションデコーディングを可能にする。 実世界のロボットプラットフォームでの実験結果によると、GigaWorld-Policyは主要なWAMベースラインであるMotusの9倍高速で動作する。
  論文  参考訳（メタデータ） (2026-03-18T00:52:02Z)
• 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)

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。