論文の概要: MachEmbodied-U0: Unified Understanding and Generation Model for Embodied Intelligence

• arxiv url: http://arxiv.org/abs/2609.25627v1
• Date: Tue, 22 Sep 2026 03:36:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.194187
• Title: MachEmbodied-U0: Unified Understanding and Generation Model for Embodied Intelligence
• Title（参考訳）: MachEmbodied-U0:Unified Understanding and Generation Model for Embodied Intelligence
• Abstract要約: 汎用ロボット制御は、タスク意図を理解し、どこで相互作用するかを特定し、シーンがどのように進化するかを捉え、正確なアクションを生成するモデルを必要とする。 我々は、Mixture-of-Transformersアーキテクチャを通じて、理解と生成の専門家を結びつける統一的な基礎モデルであるMachEm-U0を提案する。
• 参考スコア（独自算出の注目度）: 14.653862445798557
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: General-purpose robot control requires models to understand task intent, identify where to interact, capture how the scene evolves, and generate precise actions. Vision-language-action models provide strong semantic priors but typically do not explicitly model scene dynamics, while world-action models couple visual prediction with control without necessarily exposing the task-relevant semantic and spatial structure needed for fine-grained manipulation. We present MachEmbodied-U0 (ME-U0), a unified embodied foundation model connecting understanding and generation experts through a Mixture-of-Transformers architecture. Subtask prediction and affordance grounding guide joint visual-dynamics and action generation via flow matching. Visual dynamics encompass future RGB, depth, surface normals, and optical flow, providing complementary supervision for appearance, geometry, and motion. Multi-rate Rotary Position Encoding (MRPE) aligns visual dynamics with fine-grained control. We pretrain ME-U0 on approximately 4,200 hours of curated demonstrations from robotic datasets and egocentric datasets. Using only the supervision natively available in each downstream benchmark, ME-U0 achieves an average score of 17.66 on the RoboDojo simulation benchmark and average success rates of 99.0\% and 82.5\% on LIBERO and LIBERO-Plus, respectively. We additionally validate ME-U0 on real-world robotic manipulation tasks, demonstrating its effectiveness beyond simulation. Without corresponding downstream supervision, ME-U0 further demonstrates zero-shot subtask prediction, affordance grounding, and visual dynamics on simulated and real-world observations. Overall, ME-U0 combines competitive downstream control performance with transferable task-grounding and visual-dynamics capabilities across simulation and the real world.
• Abstract（参考訳）: 汎用ロボット制御は、タスク意図を理解し、どこで相互作用するかを特定し、シーンがどのように進化するかを捉え、正確なアクションを生成するモデルを必要とする。 視覚言語アクションモデルは強いセマンティック先行を提供するが、典型的にはシーンダイナミクスを明示的にモデル化しないが、世界アクションモデルは、微粒な操作に必要なタスク関連セマンティックと空間構造を必ずしも公開することなく、視覚的予測と制御を結合する。 我々は、Mixture-of-Transformersアーキテクチャを通じて、理解と生成の専門家を結びつける統一的な基礎モデルであるMachEmbodied-U0(ME-U0)を提案する。 フローマッチングによるサブタスク予測とアベイランスグラウンドガイドジョイントダイナミックスとアクション生成 視覚力学は将来のRGB、深さ、表面の正常、光学的流れを含み、外観、幾何学、運動の補完的な監督を提供する。 MRPE(Multi-rate Rotary Position Encoding)は、視覚力学を微粒な制御で整列する。 私たちは、ロボットデータセットとエゴセントリックデータセットから、約4,200時間のキュレートされたデモでME-U0を事前訓練します。 ME-U0は、各ダウンストリームベンチマークでネイティブに利用可能な監視のみを使用して、RoboDojoシミュレーションベンチマークの平均スコアは17.66、LIBEROとLIBERO-Plusの平均成功率は99.0\%と82.5\%である。 また,実世界のロボット操作作業におけるME-U0の有効性を検証し,シミュレーションを超えてその効果を実証した。 下流の監視がなければ、ME-U0はさらにゼロショットのサブタスク予測、アベイランスグラウンドディング、シミュレートされた実世界の観測における視覚力学を実証する。 全体として、ME-U0は、競争力のあるダウンストリーム制御性能と、シミュレーションと現実世界をまたいだトランスファー可能なタスクグラウンドと視覚力学能力を組み合わせる。

関連論文リスト

• 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)
• ABot-M0.5: Unified Mobility-and-Manipulation World Action Model [27.262271208923995]
  ABot-M0.5は、モバイル操作には時間的粒度、アクションスペース、列車-テスト整合性の3段階のアライメントが必要であるという洞察に基づいて構築されている。 モバイルおよびきめ細かい操作ベンチマークの実験により、ABot-M0.5は、長距離タスクの成功ときめ細かい制御精度の両方において最先端の性能を達成することが示された。
  論文  参考訳（メタデータ） (2026-07-01T09:21:20Z)
• AIM: Intent-Aware Unified world action Modeling with Spatial Value Maps [7.710034405765985]
  AIMは、明示的な空間的インターフェースを通じてこのギャップを橋渡しする意図認識の統一世界行動モデルである。 事前訓練されたビデオ生成モデルに基づいて構築されたAIMは、共有変換器アーキテクチャ内の将来の観測と値マップを共同でモデル化する。 RoboTwin 2.0ベンチマークの実験では、AIMは平均94.0%の成功率に達し、以前の統合された世界行動ベースラインを著しく上回っている。
  論文  参考訳（メタデータ） (2026-04-13T07:48:58Z)
• MobileManiBench: Simplifying Model Verification for Mobile Manipulation [70.30578259859512]
  MobileManiBenchは、モバイルベースのロボット操作のための大規模なベンチマークである。 MobileManiBenchには、2つのモバイルプラットフォーム(パラレルグリッパーとデキソラスハンドロボット)、2つの同期カメラ(頭と右手首)、630のオブジェクト(オープン、クローズ、プル、プッシュ、ピック)、5つのスキル(オープン、クローズ、プッシュ、ピック)、100以上のタスクが現実的なシーンで実行される。
  論文  参考訳（メタデータ） (2026-02-05T02:49:52Z)
• InternVLA-A1: Unifying Understanding, Generation and Action for Robotic Manipulation [77.07565723756119]
  InternVLA-A1は動的予測機能を備えた視覚言語モデルである。 我々は、実世界のロボットデータ、合成シミュレーションデータ、人間のビデオなどを用いて、これらのモデルを異種データソース上で事前訓練する。 InternVLA-A1を実世界の12のロボットタスクとシミュレーションベンチマークで評価した。
  論文  参考訳（メタデータ） (2026-01-05T18:54:29Z)
• 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)
• Masked World Models for Visual Control [90.13638482124567]
  視覚表現学習と動的学習を分離する視覚モデルに基づくRLフレームワークを提案する。 提案手法は,様々な視覚ロボット作業における最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-06-28T18:42:27Z)

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。