論文の概要: SkelWAM: A Skeleton-Guided World-Action Model for Zero-Shot Cross-Embodiment Manipulation

• arxiv url: http://arxiv.org/abs/2609.21983v1
• Date: Fri, 18 Sep 2026 16:44:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:17.190424
• Title: SkelWAM: A Skeleton-Guided World-Action Model for Zero-Shot Cross-Embodiment Manipulation
• Title（参考訳）: SkelWAM:ゼロショットクロスエボディメントマニピュレーションのための骨格誘導ワールドアクションモデル
• Abstract要約: 本稿では,骨格誘導型世界行動モデルであるSkelWAMについて述べる。 ビデオ・アクション・ミックスの変換器は標準骨格の動作チャンクを予測し、エンボディメント固有の制約付きデコーダは関節または連続ロボット制御に変換する。 フランカの訓練を受けたSkelWAMは1000回で43.3%の成功を収め、評価ベースラインを36.2%上回った。
• 参考スコア（独自算出の注目度）: 44.694612106068654
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reusing manipulation experience across robot embodiments is important for scaling robot learning and reducing repeated task-specific data collection. However, changes in embodiment alter visual appearance, action dimensionality and semantics, and the whole-body configurations that can realize the same tool pose. We present SkelWAM, a skeleton-guided world-action model that couples perception and control through one explicit geometric representation for single-source cross-embodiment manipulation. Arm centerline geometry, tool-center-point (TCP) pose, and parallel-jaw commands form a shared 25-D state. The same definition underlies canonical third-person and wrist observations and future whole-body action targets. Trained with predictive visual supervision, a video-action mixture of transformers predicts canonical skeleton action chunks, which embodiment-specific constrained decoders convert into joint or continuum-robot controls. This formulation requires no one-to-one joint correspondence and uses no target-task demonstrations or target policy updates. We introduce LIBERO-Cross10, a source-only cross-embodiment transfer benchmark covering ten tasks and ten target embodiments across four morphological groups. On this benchmark, Franka-trained SkelWAM achieves 43.3% success over 1,000 episodes, exceeding the best-performing evaluated baseline by 36.2 percentage points. We further deploy a JAKA mini2-trained policy on the Feagine A03 continuum robot for three tabletop manipulation tasks, illustrating the approach's potential for real-world cross-embodiment manipulation. Project page: http://www.liukepku.com/skelwam/index.html
• Abstract（参考訳）: ロボットエボディメント間の操作体験の再利用は、ロボット学習のスケーリングと繰り返しタスク固有のデータ収集の削減に重要である。 しかし、体格の変化は、視覚的外観、行動次元、意味、そして同じツールのポーズを実現できる全身構成を変化させる。 本稿では,骨格誘導型世界行動モデルであるSkelWAMについて述べる。 アームセンターライン幾何学、ツールセンターポイント(TCP)ポーズ、およびパラレルジャウコマンドは共有25-D状態を形成する。 同じ定義は、標準的な3人称と手首の観察と、将来の全身のアクションターゲットに基づいている。 ビデオアクションの混合は、予測的な視覚的監督によって訓練され、標準骨格のアクションチャンクを予測し、エンボディメント固有の制約されたデコーダは、関節または連続的なロボット制御に変換される。 この定式化は、1対1の合同通信を必要とせず、ターゲットタスクのデモやターゲットポリシーの更新は使用しない。 LIBERO-Cross10は,4つの形態群にまたがる10のタスクと10のターゲットエボディメントをカバーする,ソースのみのクロス・エボディメント・トランスファー・ベンチマークである。 このベンチマークでは、フランカのトレーニングを受けたSkelWAMは、1000回で43.3%成功し、評価ベースラインを36.2%上回った。 さらに,Fagine A03連続体ロボット上で3つのテーブルトップ操作を行うためのJaka Mini2トレーニングされたポリシーを展開し,実世界のクロス・エボディメント操作に対するアプローチの可能性を明らかにした。 プロジェクトページ: http://www.liukepku.com/skelwam/index.html

関連論文リスト

• AnyWorld: Factorized Egocentric World Models for Cross-Embodiment Generalization [88.25615187835321]
  我々は,クロス・エボディメント・ワールド・モデリング・フレームワークであるAnyWorldを提案する。 私たちのモデルは、アクション、カメラ、エンボディメントへのインタラクションを分解します。 大規模なヒューマンインタラクション事前トレーニングでモデルをトレーニングする。
  論文  参考訳（メタデータ） (2026-08-29T12:55:15Z)
• One Policy, Many Embodiments: Unified Camera-Centric Action Geometry Pre-training for Heterogeneous Embodied Manipulation [17.443768996704033]
  UCAG-Pはカメラ中心の統一されたアクション定式化であり、異種エンボディドデータセットを共有された幾何学的アクション空間に整列させる。 幾何条件のアクショントランスレータは、予測運動と目標身体運動を結合して実行可能な制御を生成する。 UCAG-Pは、ロボットとシミュレーションデータの4.03K時間、人間のデモンストレーションの2.34K時間で訓練されている。
  論文  参考訳（メタデータ） (2026-08-26T17:27:36Z)
• DexVerse: A Modular Benchmark for Multi-Task, Multi-Embodiment Dexterous Manipulation [66.68529423691461]
  DexVerseは、デクスタラスな操作のための大規模かつモジュール化されたベンチマークである。 我々は、19のタスクに対して拡散ポリシー、DP3、OpenVLA、および$_0.5$などの代表的手法をベンチマークする。 その結果、タスクの一般化と視覚運動の堅牢性において大きな課題が浮かび上がっている。
  論文  参考訳（メタデータ） (2026-07-09T17:50:47Z)
• AFUN: Towards an Affordance Foundation Model for Functionality Understanding [12.890216832485647]
  我々は,機能理解のための手頃な基礎モデルに向けたステップとして,我々のモデルを提示する。 我々は、異種ロボット、人間、シミュレーション、現実世界のスキャンデータを共有価格スキーマに変換する大規模な標準化データパイプラインを構築します。 私たちのモデルは、4つのベンチマークから8つのテストセットにまたがる大きなマージンで、すべてのベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-06-01T17:50:16Z)
• Structural Action Transformer for 3D Dexterous Manipulation [80.07649565189035]
  クロス・エボディメント・スキル・トランスファーは、ハイDoFロボットハンドの課題である。 既存の手法は、しばしば2次元の観測と時間中心の行動表現に依存し、3次元の空間的関係を捉えるのに苦労する。 本稿では、構造中心の視点を導入することで、このパラダイムに挑戦する新しい3Dデクスタラスな操作ポリシーを提案する。
  論文  参考訳（メタデータ） (2026-03-04T11:38:12Z)
• Diffusion Transformer Policy [48.50988753948537]
  本稿では,拡散変圧器ポリシー(Diffusion Transformer Policy)と呼ばれる多モード拡散変圧器を提案し,連続的なエンドエフェクタ動作をモデル化する。 トランスのスケーリング機能を活用することで、提案手法は、多種多様なロボットデータセットにわたる継続的エンドエフェクタアクションを効果的にモデル化することができる。
  論文  参考訳（メタデータ） (2024-10-21T12:43:54Z)

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。