論文の概要: Rolling-WAM: World Action Models with Rolling Imagination
- arxiv url: http://arxiv.org/abs/2609.30247v1
- Date: Thu, 24 Sep 2026 17:58:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 21:10:10.202255
- Title: Rolling-WAM: World Action Models with Rolling Imagination
- Title（参考訳）: 転がりWAM:転がりイマジネーションによる世界行動モデル
- Abstract要約: 転がり-WAMは連続した計画サイクルに関節脱神経を分散させる定式化である。
標準のWAMよりも4.5倍の定常的な再計画速度を提供する。
LIBERO、RoboTwin、および実際のUnitree G1ヒューマノイドの評価は、Rolling-WAMが競合操作性能を達成することを示す。
- 参考スコア（独自算出の注目度）: 27.177559973332958
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: World Action Models (WAMs) couple action generation with future visual prediction for robotic manipulation. However, completing the joint video-action denoising process at each replanning cycle incurs substantial latency, delaying action updates and limiting closed-loop responsiveness. We present Rolling-WAM, a formulation that distributes joint denoising across successive replanning cycles. Our method maintains a sliding window of video-action chunks at staggered noise levels. At each step, a rolling noise schedule fully denoises the imminent action chunk for execution, while partially refining farther-future chunks. As the window advances with new camera observations, the retained future chunks continue their denoising process. This distributes the computational cost over time while carrying an evolving visual-action context across chunk boundaries. Evaluations on LIBERO, RoboTwin, and a real-world Unitree G1 humanoid show that Rolling-WAM achieves competitive manipulation performance. By removing the need to denoise the entire prediction horizon from scratch, it delivers a 4.5x steady-state replanning speedup over standard joint WAMs.
- Abstract（参考訳）: World Action Models (WAM)は、ロボット操作の将来の視覚的予測とアクション生成を結合する。
しかし、各リプランサイクルで共同ビデオアクション記述プロセスが完了すると、相当な遅延が発生し、アクション更新が遅延し、クローズドループ応答性が制限される。
本稿では,連続的な計画サイクルにまたがって関節脱調を分散する構成式であるRolling-WAMを提案する。
本手法は,ステージングされたノイズレベルにおいて,ビデオアクションチャンクのスライディングウインドウを維持する。
各ステップにおいて、ローリングノイズスケジュールは、将来のチャンクを部分的に精錬しながら、実行の差し迫った動作チャンクを完全に認知する。
窓が新しいカメラの観測で前進するにつれて、未来のチャンクはデノナイジングのプロセスを続けます。
これは、チャンク境界を越えて進化する視覚行動コンテキストを持ちながら、時間とともに計算コストを分散する。
LIBERO、RoboTwin、および実際のUnitree G1ヒューマノイドの評価は、Rolling-WAMが競合操作性能を達成することを示す。
予測の地平線全体をスクラッチから遮蔽する必要性を取り除くことで、標準のWAMよりも4.5倍の定常的な再計画のスピードアップを提供する。
関連論文リスト
- 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) - Ms. Forcing: Efficient Streaming Video Generation with Multi-Scale Patchification and Attention [20.731300934175042]
Ms.Forcingは、各状態のノイズレベルに空間的粒度を適応させる効率的なストリーミングビデオ生成パラダイムである。
Ms.Forcingは1つのH200 GPU上で22.84 FPSに達し、Rolling Forcingよりも39.6%高速である。
論文 参考訳（メタデータ） (2026-07-23T05:35:31Z) - Surprise Forcing: What to Remember, When to Skip in Long Video Generation [65.0022589149937]
自己回帰拡散をストリーミングすることで、ミニスケールのビデオ合成が実用的になるが、そのコンテキスト境界と固定化スケジュールはリソースを均一に割り当てる。
我々は、両方の制限をオンラインリソース割り当て問題として扱う、トレーニング不要のフレームワークであるSurprise Forcingを紹介した。
VBench、VBench-Long、VBench-2.0の実験では、提案されたアロケーション戦略は、リアルタイムストリーミングスループットを維持しながら、長時間の一貫性と視覚的品質を改善する。
論文 参考訳（メタデータ） (2026-07-20T18:37:58Z) - Mem-World: Memory-Augmented Action-Conditioned World Models for Persistent Robot Manipulation [55.42006264038458]
アクション条件付き世界モデルは、ロボット学習の有望なパラダイムとして登場した。
Mem-Worldはメモリ拡張されたマルチビューアクション条件の世界モデルである。
W-VMemは4次元手首ビュー中心のサーベイルインデクシングメモリで、歴史的観測を時間的に変化する表面要素に固定する。
論文 参考訳（メタデータ） (2026-06-17T11:42:00Z) - C$^3$ache: Accelerating World Action Models with Cross Inference Chunk Cache [41.43227699724456]
C$3$acheはトレーニング不要のメソッドで、推論チャンクにまたがって残余をキャッシュし再利用する。
Fast-WAMのバックボーンでの実験では、C$3$acheは壁時計の総推定時間で最大2.5倍のスピードアップを達成している。
論文 参考訳（メタデータ） (2026-06-08T03:01:10Z) - SANTS: A State-Adaptive Scheduler for World Action Models [7.6647684057216585]
本稿では,映像間拡散ポリシーのための状態適応型ノイズトラジェクタ(SANTS)について紹介する。
SANTSは現在の映像状態の表現とノイズレベルを読み出し、累積停止ハザードと相対ノイズプログレス比を共同で予測する。
実験の結果、SANTSはRoboTwin 2.0で全体の成功(94.4%)、そして7つの実ロボットタスクでの平均成功(73.1%)に達した。
論文 参考訳（メタデータ） (2026-05-27T04:40:48Z) - NoiseGate: Learning Per-Latent Timestep Schedules as Information Gating in World Action Models [19.272356473995245]
World Action Models (WAM) は、ロボットアクション生成と将来の観測モデリングを結びつけるポリシーである。
NoiseGateは軽量なゲーティングポリシーネットワークで、遅延時間当たりのインクリメントをデノイング中に出力する。
NoiseGateは多様なRoboTwinランダムシーン操作タスクに対して一貫したゲインを提供する。
論文 参考訳（メタデータ） (2026-05-08T14:31:52Z) - RoHM: Robust Human Motion Reconstruction via Diffusion [58.63706638272891]
RoHMは、モノクロRGB(-D)ビデオから頑健な3次元人間の動きを復元するためのアプローチである。
ノイズと閉鎖された入力データに条件付けし、一貫した大域座標で完全な可塑性運動を再構成した。
本手法は,テスト時に高速でありながら,定性的かつ定量的に最先端の手法より優れる。
論文 参考訳（メタデータ） (2024-01-16T18:57:50Z) - Boundary-Denoising for Video Activity Localization [57.9973253014712]
本稿では,映像活動のローカライゼーション問題について,認知的視点から検討する。
具体的には,DenoiseLocというエンコーダデコーダモデルを提案する。
実験によると、DenoiseLocはいくつかのビデオアクティビティ理解タスクで%前進している。
論文 参考訳（メタデータ） (2023-04-06T08:48:01Z)
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。