論文の概要: AR-WAM: A Visual-Conditioned Agent-Ready World Action Model for Robotic Manipulation

• arxiv url: http://arxiv.org/abs/2609.23578v1
• Date: Sun, 20 Sep 2026 11:55:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-24 16:34:37.19439
• Title: AR-WAM: A Visual-Conditioned Agent-Ready World Action Model for Robotic Manipulation
• Title（参考訳）: AR-WAM:ロボットマニピュレーションのためのビジュアルコンディションエージェント対応ワールドアクションモデル
• Abstract要約: 視覚-言語-アクションモデルと世界アクションモデルはまだ操作タスクを指定するために自然言語命令に依存している。 本稿では、言語を2つの相補的な条件で置き換える視覚条件付きエージェント対応世界アクションモデルAR-WAMを提案する。 RoboTwin 2.0、RMBench、および本物のAstribot S1デュアルアームプラットフォームでは、AR-WAMは標準操作における最強のベースラインと一致する。
• 参考スコア（独自算出の注目度）: 31.9606890046955
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As AI agents become increasingly capable, agent-driven robotic control is emerging as a compelling paradigm. However, prevailing vision-language-action (VLA) models and world action models (WAMs) still rely on natural-language instructions to specify manipulation tasks, an ill-suited interface for agent-driven control: referentially ambiguous, spatially imprecise, redundant with the agent's inherent language understanding, and entangling intent with execution. We present AR-WAM, a visual-conditioned, agent-ready world action model that replaces language with two complementary conditions: a visual grounding prompt (a bounding box of the target) denoting the interaction object and location, and a learnable operation token dictating the atomic skill to execute. Our compact 0.5B-parameter model, with a frozen pretrained visual encoder and no language encoder, predicts scene evolution within compact latent states while decoding actions, exposing the policy's intent through explicit, supervisable reasoning signals. A model-agnostic compatibility layer provides three primitives (detect, execute, and query) so that local VLMs or online agent APIs can drive the policy directly, with long-horizon memory and closed-loop error recovery delegated to the agent side. On RoboTwin 2.0, RMBench, and a real Astribot S1 dual-arm platform, AR-WAM matches the strongest baselines on standard manipulation (87.2% average success) and outperforms them on memory-dependent and real-robot long-horizon tasks, improving success rates by 5.9% and 36.7%, respectively, while maintaining the lowest inference latency (14.1 ms).
• Abstract（参考訳）: AIエージェントがますます有能になるにつれ、エージェント駆動型ロボット制御は魅力的なパラダイムとして浮上しつつある。 しかしながら、一般的な視覚-言語-アクションモデル(VLA)と世界行動モデル(WAM)は、操作タスクを指定するための自然言語命令、エージェント駆動制御に不適なインターフェース、参照的に曖昧で空間的に不正確で、エージェント固有の言語理解と冗長であり、実行への絡み合いがある。 本稿では,対話対象と位置を示す視覚的接地プロンプト(ターゲットのバウンディングボックス)と,実行すべき原子スキルを規定する学習可能な操作トークンの2つの相補的な条件で言語を置き換える,視覚条件付きエージェント対応の世界アクションモデルAR-WAMを提案する。 我々のコンパクトな0.5Bパラメータモデルは、凍結した事前学習されたビジュアルエンコーダと言語エンコーダを持たず、動作を復号しながらコンパクトな潜在状態内のシーン進化を予測し、明示的で監視可能な推論信号を通してポリシーの意図を明らかにする。 モデルに依存しない互換性レイヤは、3つのプリミティブ(検出、実行、クエリ)を提供するので、ローカルなVLMまたはオンラインエージェントAPIが、エージェント側に委譲された長い水平メモリとクローズドループエラーリカバリを使用して、ポリシーを直接駆動することができる。 RoboTwin 2.0、RMBench、および本物のAstribot S1のデュアルアームプラットフォームでは、AR-WAMは標準操作(平均成功率87.2%)において最強のベースラインと一致し、メモリ依存タスクとリアルタイムロボットのロングホライゾンタスクでそれらを上回り、それぞれ5.9%、36.7%の成功率を向上し、最低推論レイテンシ(14.1ms)を維持した。

関連論文リスト

• Breaking Planner Integrity Boundary: Enviroment State-Text Injection Attack on LLM-Driven Embodied Agents [19.561832878935505]
  本稿では,大規模言語モデル(LLM)駆動型エンボディエージェントに対する環境状態テキストインジェクション(ESTI)攻撃について紹介する。 ESTIは、敵の目的を現在の環境と互換性のある偽の状態証拠として再構成する。 ESTIは既存のベースラインを一貫して上回り、計画レベルと実行レベルの攻撃成功率をそれぞれ89.32%、43.69%改善している。
  論文  参考訳（メタデータ） (2026-08-17T17:02:07Z)
• RoboBRIDGE: A Modular Framework for Bridging Policies to Robust Real-World Robotic Agents [26.4490744619718]
  VLA(Vision-Language-Action)モデルは、ロボット操作のスケーラブルなアプローチとして関心を集めている。 既存のソリューションは、モデルの再トレーニングや環境固有のモジュールを通じて、これらの制限に個別に対処する。 我々は,5つの協調モジュール上にオーケストレーション層を提供するモジュールフレームワークであるRoboBRIDGEを紹介する。
  論文  参考訳（メタデータ） (2026-07-30T08:55:45Z)
• VIA: Visual Interface Agent for Robot Control [34.69686658431114]
  VIA(Visual Interface Agent for Robot Control)は、ロボット制御をエージェントタスクとして再キャストするフレームワークである。 スクリーンショットを撮り、直感的なコマンドを出し、結果を観察し、調整することで、ブラウザベースの3Dインターフェースを介してマニピュレータを駆動する。 3つのLIBEROゴールタスクで96.7%、ロングホライゾン虹組立タスクで100%を達成している。
  論文  参考訳（メタデータ） (2026-07-13T05:52:12Z)
• DSWAM: A Dual-System World Action Foundation Model for Fine-Grained Robot Manipulation [14.193285862278913]
  World Action Models (WAMs) は、VLA(Vision-Language-Action) ポリシーに代わる有望な代替手段を提供する。 既存のWAMは、物理的に基盤化された実行では優れているが、言語レベルの明確な計画インターフェースが欠如している。 DSWAM(Dual-System World Action Foundation Model)を紹介する。
  論文  参考訳（メタデータ） (2026-07-06T10:57:01Z)
• Geometric Action Model for Robot Policy Learning [68.6657929619782]
  汎用ロボットポリシーは、オブジェクト、カメラ、ロボットアクションが3D物理世界でどのように相互作用するかを推論しながら、ユーザーの指示に従う必要がある。 最近の視覚言語行動モデル(VLA)とビデオ世界行動モデル(WAM)は、大規模基盤モデルから強い意味や時間的先行を継承する。 本稿では,言語条件の操作ポリシーであるGeometric Action Model (GAM)を提案する。
  論文  参考訳（メタデータ） (2026-06-15T17:58:03Z)
• Two Bridges, One Pathway: From VLMs to Generalizable VLAs with Embodied Trajectory-Coupled Data [93.7685703383343]
  視覚言語モデル(VLM)は強力な汎用推論器であるが、ロボット制御ポリシーに変換することは驚くほど難しい。 このギャップは、適切な中間データで徐々にブリッジできると我々は主張する。 本研究では,タスク関連アウト・オブ・ディストリビューションETCデータと少量のアクションデータとを混合することにより,新しい視覚言語条件に一般化できることを示す。
  論文  参考訳（メタデータ） (2026-06-07T08:57:51Z)
• OWMM-Agent: Open World Mobile Manipulation With Multi-modal Agentic Data Synthesis [70.39500621448383]
  オープンワールドのモバイル操作タスクは、オープンエンドの命令や環境への一般化が必要なため、依然として課題である。 本稿では,多視点のシーンフレームとエージェント状態を維持した新しいマルチモーダルエージェントアーキテクチャを提案する。 我々は,グローバルなシーン理解,ロボットの状態追跡,マルチモーダルアクション生成を統一モデルで実現した,モバイルマニピュレータのための基礎モデルであるOWMM-VLMについて紹介する。
  論文  参考訳（メタデータ） (2025-06-04T17:57:44Z)
• IRASim: A Fine-Grained World Model for Robot Manipulation [24.591694756757278]
  本稿では,ロボットとオブジェクトのインタラクションの詳細を詳細に表現したビデオを生成する新しい世界モデルIRASimを提案する。 拡散変圧器を訓練し、各変圧器ブロック内に新しいフレームレベル動作条件モジュールを導入し、アクションフレームアライメントを明示的にモデル化し強化する。
  論文  参考訳（メタデータ） (2024-06-20T17:50:16Z)
• Grounded Decoding: Guiding Text Generation with Grounded Models for Embodied Agents [111.15288256221764]
  グラウンデッドデコーディングプロジェクトは、両方のモデルの知識を活用することで、ロボット環境で複雑な長期タスクを解決することを目的としている。 我々はこれを確率的フィルタリングに類似した問題として、言語モデルの下で高い確率を持つシーケンスをデコードし、基底モデル対象のセットで高い確率を示す。 本研究では,3つのシミュレーション領域と実世界の領域にまたがって,そのような基底モデルがどのように得られるのかを実証し,両モデルの知識を活用して,ロボット環境での複雑な長期的タスクを解くことができることを示す。
  論文  参考訳（メタデータ） (2023-03-01T22:58:50Z)

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。