論文の概要: AquaWAM: A Dynamics-aware World Action Model for Underwater Embodied Agents

• arxiv url: http://arxiv.org/abs/2609.33299v2
• Date: Tue, 29 Sep 2026 04:32:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:46.65772
• Title: AquaWAM: A Dynamics-aware World Action Model for Underwater Embodied Agents
• Title（参考訳）: AquaWAM: 水中生物の動態を考慮した世界行動モデル
• Abstract要約: AquaWAMは、水中のエンボディエージェント用に設計された世界初の世界行動モデルである。 将来の画像を予測する代わりに、AquaWAMは、スラスタデッドバンド、各コマンドを延ばす慣性グライダー、および周囲の流れを含む、アクションコンディションと受動的物理力学の両方をモデル化する。 AquaWAMは、高次元の視覚観測ではなく、コンパクトなナビゲーション状態をモデル化することにより、従来のWAMと比較して、モデルのサイズと計算コストを大幅に削減する。
• 参考スコア（独自算出の注目度）: 34.22860084315409
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: World Action Models (WAMs) are becoming increasingly important and useful for embodied intelligence, as they enable robots to anticipate the consequences of candidate actions before interacting with the physical environment. However, underwater robots are usually subject to passive dynamics, such as inertia, buoyancy, hydrodynamic drag, and persistent drift, which can continue to affect the vehicle even after an action is completed. Existing WAMs, which primarily predict action-conditioned visual observations, are not explicitly designed to capture such passive motion dynamics. In this paper, we present AquaWAM, the first World Action Model designed for underwater embodied agents. Instead of predicting future images, AquaWAM models both action-conditioned and passive physical dynamics, including the thruster dead band, the inertial glide that outlasts each command, and ambient currents. Specifically, it senses through the DVL, IMU, pressure sensor and joint encoders, while cameras supply only semantics for understanding goals and target pose. By modeling compact navigation states rather than high-dimensional visual observations, AquaWAM substantially reduces the model size and computational cost compared with conventional WAMs. Experimentally, AquaWAM achieves a 72.6% task success rate across 20 underwater tasks on the USIM benchmark, outperforming existing methods while making action decisions 2.7x faster than U0 on an NVIDIA Jetson AGX Orin. Our model also remains effective when some onboard sensor measurements are unavailable. For example, without DVL velocity measurements, our method still achieves a 61.6% success rate, compared with 39.4% for U0.
• Abstract（参考訳）: 世界行動モデル(WAM)は、ロボットが物理的な環境と対話する前に、候補となる行動の結果を予測できるようにするため、インテリジェンスを具現化する上でますます重要で有用なものになりつつある。 しかしながら、水中ロボットは通常、慣性、浮力、流体力学的な抗力、持続的なドリフトなどの受動動力学を受けており、動作が完了した後も車体に影響を与える可能性がある。 既存のWAMは、主にアクション条件の視覚的観察を予測しており、そのような受動的運動を捉えるように設計されていない。 本稿では,水中のエンボディエージェント用に設計された世界初の世界行動モデルであるAquaWAMについて述べる。 将来の画像を予測する代わりに、AquaWAMは、スラスタデッドバンド、各コマンドを延ばす慣性グライダー、および周囲の流れを含む、アクションコンディションと受動的物理力学の両方をモデル化する。 具体的には、DVL、IMU、圧力センサー、ジョイントエンコーダを通じて感知し、カメラは目標とターゲットのポーズを理解するためのセマンティクスのみを提供する。 AquaWAMは、高次元の視覚観測ではなく、コンパクトなナビゲーション状態をモデル化することにより、従来のWAMと比較して、モデルのサイズと計算コストを大幅に削減する。 実験的に、AquaWAMはUSIMベンチマークで20の水中タスクで72.6%のタスク成功率を獲得し、既存の手法より優れ、NVIDIA Jetson AGX OrinのU0よりも2.7倍高速である。 搭載センサーが使用できない場合には,本モデルも有効である。 例えば、DVL速度測定がなければ、U0の39.4%に比べて61.6%の成功率を達成できる。

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)
• DynamicWAM: Dual-Path Motion Conditioning for World-Action Models in Dynamic Manipulation [7.0603285861926715]
  DynamicWAMは、デュアルパス動作条件付き動的オブジェクト操作のためのコンパクトなWAMである。 DOMINOでは、DynamicWAMは38.2%の成功率と53.2の操作スコアを獲得し、評価されたすべてのベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-08-01T17:49:39Z)
• AquaJEPA: Action-Conditioned Multimodal Predictive Representations for Underwater Robot Dynamics [0.0]
  AquaJEPAは、RGBカメラ、前方のソナー、およびプロプレセプションを明示的なセンサーの有効性で融合する。 8スラスターコマンドで、将来の潜伏目標を予測します。 これは、ペアの最終的なエラーにおいて、アクション条件付き予測ベースラインの3つを著しく上回る。
  論文  参考訳（メタデータ） (2026-07-31T13:11:11Z)
• Metis: A Generalizable and Efficient World-Action Model for Autonomous Driving and Urban Navigation [80.18527639791074]
  世界アクションモデルは、自動運転と都市ナビゲーションに非常に有望だ。 既存のアプローチには、重要な制限がある。 我々は,映像生成とアクション予測を分離するエンドツーエンドのWAMフレームワークであるMetisを提案する。
  論文  参考訳（メタデータ） (2026-06-14T15:40:49Z)
• LaWAM: Latent World Action Models for Efficient Dynamics-Aware Robot Policies [31.88655699486955]
  ラワント・アクション条件付きラワント・ワールドモデル(LaWM)を提案する。 LaWAMは、将来のビデオの再構成ではなく、コンパクトで潜伏した視覚サブゴールを通じて、ロボットポリシーに対する予測ダイナミクスを公開する。 LaWAMはアクションチャンク予測あたり187msで動作し、画素空間のWAMよりも最大24倍の遅延時間を実現する。
  論文  参考訳（メタデータ） (2026-06-14T12:06:58Z)
• 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)
• Walk through Paintings: Egocentric World Models from Internet Priors [65.30611174953958]
  本稿では,エゴセントリック・ワールド・モデル(EgoWM)について述べる。 我々は、スクラッチからトレーニングするよりも、インターネット規模のビデオモデルのリッチワールドを再利用し、軽量なコンディショニング層を通じてモーターコマンドを注入する。 当社のアプローチは,3-DoF移動ロボットから25-DoFヒューマノイドまで,エボディメントやアクションスペースを自然に拡張する。
  論文  参考訳（メタデータ） (2026-01-21T18:59:32Z)
• ActionSink: Toward Precise Robot Manipulation with Dynamic Integration of Action Flow [93.00917887667234]
  本稿では,アクション推定のための新しいロボット操作フレームワークであるActionSinkを紹介する。 その名前が示すように、ActionSinkは、アクションフローと呼ばれるビデオからのアクション起因の光学フローとして、ロボットのアクションを再構成する。 我々のフレームワークは,LIBEROベンチマークのSOTAよりも7.9%向上し,長軸視覚課題LIBERO-Longの精度は8%近く向上した。
  論文  参考訳（メタデータ） (2025-08-05T08:46:17Z)

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。