論文の概要: Streaming-WAM: Action-Conditioned World-Action Model for Asynchronous Robot Manipulation
- arxiv url: http://arxiv.org/abs/2609.28927v1
- Date: Thu, 24 Sep 2026 02:19:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 21:10:09.66574
- Title: Streaming-WAM: Action-Conditioned World-Action Model for Asynchronous Robot Manipulation
- Title（参考訳）: ストリーミングWAM:非同期ロボットマニピュレーションのためのアクション・コンディションド・ワールド・アクションモデル
- Abstract要約: Streaming-WAMは、非同期ロボット制御によるアクション条件付き世界モデリングを結合して、将来の視覚的予測におけるコミットアクションを考慮した。
現実世界のスタンプペーパータスクでは、平均エピソード時間は、同期ジョイントWAMで90秒からストリーミングWAMで38秒に減少する。
- 参考スコア（独自算出の注目度）: 21.031571063193546
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: World action models (WAMs) that use future visual prediction at inference time incur substantial generation costs. Asynchronous execution reduces waiting by overlapping inference with robot motion, but visual predictions used for subsequent action generation must anticipate the effects of actions already scheduled for execution during inference. We introduce Streaming-WAM, which couples action-conditioned world modeling with asynchronous robot control to account for committed actions in future visual prediction. At each streaming update, the model conditions future visual prediction on the latest observation and the committed actions, which form the fixed prefix of the next action chunk. The resulting action-conditioned visual features guide generation of the remaining actions within the same joint update, so the continuation is informed by the scene changes expected during execution of the fixed prefix. On LIBERO, Streaming-WAM achieves an average success rate of 98.35\% and reduces mean episode time by a factor of 2.93 relative to Fast-WAM. On the real-world Stamp Paper task, mean episode time falls from 90 s with synchronous Joint-WAM to 38 s with Streaming-WAM. These results show that Streaming-WAM supports efficient asynchronous control while maintaining high task success rates.
- Abstract（参考訳）: 将来の視覚予測を推論時に使用する世界行動モデル(WAM)は、かなりの生成コストを発生させる。
非同期実行はロボットの動きと重なり合う推論によって待ち時間を短縮するが、その後の動作生成に使用される視覚的予測は、推論中に既にスケジュールされた動作の効果を予測しなければならない。
本稿では,アクション条件付き世界モデリングと非同期ロボット制御を併用したStreaming-WAMを提案する。
各ストリーミング更新において、モデルは、次のアクションチャンクの固定プレフィックスを形成する最新の観察とコミットされたアクションに関する将来の視覚的予測を条件とする。
結果として得られるアクション条件付き視覚特徴は、同じ共同更新内で残りのアクションの生成を誘導するので、固定プレフィックスの実行中に期待されるシーン変化によって継続が通知される。
LIBEROでは、Streaming-WAMは98.35\%の平均成功率を達成し、Fast-WAMと比較して平均エピソード時間を2.93倍に削減する。
現実世界のスタンプペーパータスクでは、平均エピソード時間は、同期ジョイントWAMで90秒からストリーミングWAMで38秒に減少する。
これらの結果から,Streaming-WAMは高いタスク成功率を維持しつつ,効率的な非同期制御をサポートすることがわかった。
関連論文リスト
- Latent evolving World Action Model [58.32634534358966]
世界行動モデル(WAM)における視覚的表現が行動生成に与える影響について検討する。
本稿では,JEPA埋め込みにおけるアクション生成を条件としたLeWAMを提案する。
LeWAMはRoboTwin 2.0の平均成功率は92.28%であり、最先端のVLAやWAMに匹敵する。
論文 参考訳（メタデータ） (2026-09-23T07:22:43Z) - StreamPI: Streaming Multimodal Temporal Modeling for Vision-Language-Action Models [84.17128030384099]
StreamPIはストリーミングマルチモーダル時間モデリングフレームワークである。
追加パラメータを導入することなく、単一フレームのVLAに時間的推論能力を持たせる。
メモリ依存および正確な認識シナリオにまたがる実ロボットタスクの実験とシミュレーションベンチマークのLIBEROは、StreamPIが様々なタスクでpi0.5より優れていることを示した。
論文 参考訳（メタデータ） (2026-08-26T17:33:19Z) - Latent Action as Intention Enables Efficient Future Imagination for World Action Models [20.031922437200524]
提案するアーキテクチャ**LAWA**は,コンパクトな潜伏動作を将来の意図の操作的表現として利用するWAMアーキテクチャである。
RoboCasaでは、LAWAは数ショットと全データ設定で65.6%と80.8%という最先端の平均的な成功率を達成した。
また、一致したJoint-WAMモデルの性能レベルも保持し、42.9%の遅延時間を必要とする。
論文 参考訳（メタデータ） (2026-08-25T17:59:03Z) - DECOWAM: Decoupled Whole-Body World-Action Model for Legged Mobile Manipulation [9.154987050049268]
DeCOWAMは、カメラのエゴモーションをベースアクションとアームアクションとを分離する全身世界アクションモデルである。
固定されたリプレイプロトコルでは、DECWAMはFastWAM上での将来のビデオとアクションの予測を改善し、25.95Mのトレーニング可能な適応パラメータでアクションMSEを21.7%削減した。
これらの結果から,運動視点下でのパラメータ効率のよい共同視覚予測と全身制御を支援することが示唆された。
論文 参考訳（メタデータ） (2026-08-20T14:44:11Z) - 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) - FBFM: A Training-Free Asynchronous Feedback Mechanism for Flow-Matching in World-Action Models Execution [50.18922379062543]
フィードバックフローマッチング(Feedback Flow Matching, FBFM)は、アクティブに生成されたチャンク内で再接地を行うトレーニング不要な推論機構である。
トレーニング不要であるため、このメカニズムは予期せぬ事象に対する応答性を改善し、長時間の作業におけるドリフトを抑制する。
我々は,FBFMを第2世代WAMと第2世代WAMの両方で評価した。
論文 参考訳（メタデータ） (2026-07-31T10:11:09Z) - FutureRTC: Real-Time Robot Execution with Anticipatory-Conditioned Action Chunking [51.97839311685636]
FutureRTCは、実行時の観察と非同期VLA制御の状態を予測するためのプラグイン・アンド・プレイ適応フレームワークである。
FutureRTCは推論遅延に対する堅牢性を実現し,よりスムーズな軌道,高速な実行,一貫したタスク成功率を実現している。
論文 参考訳（メタデータ） (2026-07-27T05:10:16Z) - 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)
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。