論文の概要: CoRe-WAM: Correspondence-Aligned Temporal Residuals for World Action Models

• arxiv url: http://arxiv.org/abs/2609.27314v1
• Date: Wed, 23 Sep 2026 03:46:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.865147
• Title: CoRe-WAM: Correspondence-Aligned Temporal Residuals for World Action Models
• Title（参考訳）: CoRe-WAM:世界行動モデルのための対応対応型時間残差
• Abstract要約: CoRe-WAMは、パラメータ効率の時間的インタフェースを通じて、対応性のある視覚的変化を取り入れている。 TraceDeltaモジュールは、凍結追跡モデルからの対応を使って、歴史的な視覚的特徴を現在の場所へ転送する。 5,000の予算で、CoRe-WAMは50のRoboTwin 2.0タスクで92.22%のクリーンな成功を達成している。
• 参考スコア（独自算出の注目度）: 23.55045182917598
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Comparing current and past observations helps robots understand scene changes and select subsequent actions during manipulation. However, comparing visual features at the same image location can mix different scene content when objects or the camera move. We introduce CoRe-WAM, a world-action model that incorporates correspondence-aligned visual changes through a parameter-efficient temporal interface. Its TraceDelta module uses correspondences from a frozen tracking model to transport historical visual features to current locations before computing signed differences in a shared pretrained feature space. Correspondence thus determines which historical content is compared with the present, rather than entering the policy as a separate trajectory representation. A lightweight adapter converts these differences into validity-gated residuals that supplement current visual conditioning, allowing the policy to use recent changes alongside current-scene information. Built on Motus, CoRe-WAM keeps the pretrained backbone weights frozen and optimizes 1.59 million parameters. With a 5,000-update adaptation budget, CoRe-WAM achieves 92.22% clean success across 50 RoboTwin 2.0 tasks, 3.56 percentage points above Motus; on randomized evaluation, it achieves 89.60% success, a 2.58-point gain. Integrating TraceDelta into a StarVLA-based policy improves clean success from 58.10% to 67.62%, supporting transfer of the temporal interface beyond Motus.
• Abstract（参考訳）: 現在の観察と過去の観察を比較することで、ロボットはシーンの変化を理解し、操作中にその後のアクションを選択することができる。 しかし、同じ画像位置における視覚的特徴を比較することは、物体やカメラが動くときに異なるシーン内容が混在する可能性がある。 本稿では,パラメータ効率の時間的インタフェースを通じて,対応性のある視覚変化を組み込んだ世界行動モデルであるCoRe-WAMを紹介する。 そのTraceDeltaモジュールは、凍結追跡モデルからの対応を利用して、共有事前訓練された特徴空間における署名付き差異を計算する前に、歴史的視覚的特徴を現在の場所へ輸送する。 したがって、対応は、政策を別々の軌道表現として入力するのではなく、どの歴史的内容が現在と比較されるかを決定する。 軽量アダプタは、これらの差異を、現在の視覚条件を補完する妥当性有格な残差に変換することで、ポリシーが現在のシーン情報と並行して最近の変化を利用することを可能にする。 CoRe-WAMはMotus上に構築され、トレーニング済みのバックボーンの重量を凍結させ、129万のパラメータを最適化する。 CoRe-WAMは5000更新された適応予算で、50のRoboTwin 2.0タスクで92.22%のクリーンな成功を達成し、モータスよりも3.56ポイント、ランダム化された評価では89.60%の成功、2.58ポイントの上昇を達成した。 トレースデルタをスターVLAベースのポリシーに統合することで、58.10%から67.62%のクリーンな成功が向上し、モータスを超えて時間的インターフェースの移行をサポートする。

関連論文リスト

• MemBodied: Recurrent Associative Memory for Vision-Language-Action Models [49.19321968091714]
  2つの相補的成分を持つ固定サイズのエピソードメモリであるMemBodiedを紹介する。 RMBenchの5つのタスクでメモリを必要とするが、MemBodiedはステートレスポリシーの平均成功率は7.81ドルである。
  論文  参考訳（メタデータ） (2026-09-23T15:19:19Z)
• MT-WAM: Reorienting the One-Pass Predictive Representation Toward Action Generation [8.200221267664881]
  Fast-WAMは、将来の動画を推論時に生成することなく、ビデオアクションの協調訓練が制御を改善することを示す。 MT-WAMは,本来の訓練目標を維持し,将来の2次元点軌跡と視覚的特徴を補完的に監視する。
  論文  参考訳（メタデータ） (2026-09-18T08:23:15Z)
• AcrossWAM1.0:A Modular Latent World-Action Stack for Compact Robot Policies [14.556446786016787]
  本稿では,LaWAMの潜在的ワールドアクションスタックのモジュール化とスケーリングに関する研究であるAcrossWAM1.0を紹介する。 AcrossWAM1.0は、コンパクトな潜在世界アクションポリシーのための監査可能なソフトウェアと評価バウンダリを提供する。
  論文  参考訳（メタデータ） (2026-08-30T18:09:17Z)
• KAM-WM: Kinematic Affordance Maps from Latent World Models for Robot Manipulation [12.364119683882015]
  KAM-WMは,凍結遅延ビデオワールドモデルから粗い方向の相互作用キューを抽出するフレームワークである。 LIBEROとRoboTwin2.0全体で、KAM-WMは平均で90.6%の成功、65.7%、22.4%の成功となっている。
  論文  参考訳（メタデータ） (2026-07-06T04:17:15Z)
• HAMLET: Switch your Vision-Language-Action Model into a History-Aware Policy [61.668591984635846]
  HAMLETは、行動予測中の歴史的状況に対応するためにビジョン・ランゲージ・アクションモデルを適用するためのフレームワークである。 HAMLETは、最先端のVLAを履歴認識ポリシーに変換することに成功していることを示す。 GR00T N1.5に加えて、HAMLETは歴史に依存した実世界のタスクで平均76.4%の成功率を達成した。
  論文  参考訳（メタデータ） (2025-10-01T09:15:52Z)
• Harnessing Temporal Causality for Advanced Temporal Action Detection [53.654457142657236]
  本稿では,因果的注意と因果的マンバを組み合わせたCausalTADを提案する。 Ego4D Challenge 2024では,EPIC-Kitchens Challenge 2024では行動認識,行動検出,音声によるインタラクション検出トラックで1位,Ego4D Challenge 2024ではMoment Queriesトラックで1位にランクインした。
  論文  参考訳（メタデータ） (2024-07-25T06:03:02Z)
• Could Giant Pretrained Image Models Extract Universal Representations? [94.97056702288317]
  本稿では,多種多様なコンピュータビジョンタスクに適用した凍結事前学習モデルについて述べる。 私たちの研究は、この凍結した設定にどのような事前学習タスクが最適か、凍結した設定を様々な下流タスクに柔軟にする方法、より大きなモデルサイズの影響について、質問に答えています。
  論文  参考訳（メタデータ） (2022-11-03T17:57:10Z)
• Tracklets Predicting Based Adaptive Graph Tracking [51.352829280902114]
  マルチオブジェクト追跡,すなわち textbfTPAGT のための,正確かつエンドツーエンドの学習フレームワークを提案する。 動作予測に基づいて、現在のフレーム内のトラックレットの特徴を再抽出する。
  論文  参考訳（メタデータ） (2020-10-18T16:16:49Z)

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。