Fugu-MT 論文翻訳(概要): CogWAM: Aligning Semantic Cognition with World Action Modeling via Event-Driven Interfaces

論文の概要: CogWAM: Aligning Semantic Cognition with World Action Modeling via Event-Driven Interfaces

arxiv url: http://arxiv.org/abs/2609.37721v1
Date: Tue, 29 Sep 2026 14:48:21 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-30 21:28:47.645445
Title: CogWAM: Aligning Semantic Cognition with World Action Modeling via Event-Driven Interfaces
Title（参考訳）: CogWAM: イベント駆動インターフェースによる世界アクションモデリングによるセマンティック認知の調整
Abstract要約: CogWAMは認知誘導型世界行動モデルであり、タスク推論と世界行動学習の間に明確な意味的インターフェースを確立する。遷移学習と閉ループ条件付けを改善するための意味学習戦略を導入する。追加のロボットアクション事前トレーニングがなければ、CogWAMはRoboDojoで15.56 / 11.70%のスコア/SR、BiCoordで最先端のパフォーマンスを達成した。
参考スコア（独自算出の注目度）: 35.232851978457404
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Robot policies increasingly incorporate semantic reasoning and future-world prediction, yet combining these capabilities does not guarantee that local predictions and actions remain aligned with task progress. We introduce CogWAM, a cognition-guided world-action model that establishes an explicit semantic interface between task reasoning and world-action learning through a persistent Semantic State, which stores completed task events and the active subtask. CogWAM updates this state only when observations indicate semantic transitions, allowing task-level context to persist across multiple action chunks. To bridge semantic context with physical prediction and control, CogWAM employs progress-conditioned WORLD and ACTION queries that selectively extract task-relevant information for future-world prediction and action generation. During training, the Semantic State provides shared task-progress context for both branches, while inference removes the future-prediction branch and directly generates actions from observations and the maintained state. We further introduce semantic training strategies to improve transition learning and closed-loop conditioning. Without additional robot-action pretraining, CogWAM achieves 15.56 / 11.70 % Score/SR on RoboDojo and state-of-the-art performance on BiCoord, while real-world experiments demonstrate closed-loop dual-arm manipulation with 16.4 fewer Semantic State regenerations than step-wise updating.
Abstract（参考訳）: ロボットのポリシーは意味論的推論と未来の予測をますます取り入れているが、これらの能力を組み合わせることで、局所的な予測と行動がタスクの進行に一致し続けることは保証されない。我々は,タスク推論と世界行動学習の間に明確なセマンティック・インタフェースを確立するための認知誘導世界行動モデルであるCogWAMを紹介した。 CogWAMはこの状態を、観察結果がセマンティックな遷移を示す場合にのみ更新し、タスクレベルのコンテキストが複数のアクションチャンクにわたって持続できるようにする。セマンティックコンテキストを物理的予測と制御でブリッジするために、CogWAMは進捗条件付きWORLDとACTIONクエリを使用して、将来の予測とアクション生成のためにタスク関連情報を選択的に抽出する。トレーニング中、セマンティックステートは両方のブランチに対して共有タスクプログレスコンテキストを提供し、推論は将来の予測ブランチを削除し、観察と保守状態からアクションを直接生成する。さらに、遷移学習と閉ループ条件付けを改善するための意味訓練戦略を導入する。ロボットによる事前訓練がなければ、CogWAMはRoboDojoで15.56 / 11.70 %のスコア/SR、BiCoordで最先端のパフォーマンスを達成した。

関連論文リスト

ContextFlow: In-Context Flow Matching for Robot Manipulation [91.60992853468242]
本研究では,コンテキスト内模倣学習のための連続的な動作分布を学習する条件付きフローマッチングモデルであるContextFlowを紹介する。 LIBEROでは、ContextFlowがICRTを35パーセント上回っている。実際のロボットでは、シングルアームとバイマニュアルの両方のタスクの見当たらない構成に一般化し、新しいペンアンカッピング構成で40%の成功を達成している。
論文参考訳（メタデータ） (2026-09-06T21:53:58Z)
Beyond Instance Slots: Semantically Rich World Models for Physical Interaction Planning [3.284163275977256]
本稿では,5つの機能的役割を中心に構成されたタスク条件付き世界モデルであるSemantically Rich World Model (SR-WM)を提案する。 SR-WM内では、ビジュアルエンティティエンコーダが事前訓練されたパッチ機能からソフトエンティティ仮説を抽出し、セグメンテーションマスクがオプションの提案先として機能する。ロールバインダーはこれらの仮説をタスク固有のロールにマッピングし、アクション条件付きダイナミクスモデルは、きめ細かいセマンティクスと共にロール遷移を予測する。
論文参考訳（メタデータ） (2026-08-23T08:37:59Z)
HarnessWAM: Bridging Prediction and Deliberation in World Action Models [39.20825071922887]
World Action Models (WAM) は、環境力学とロボットの動作を共同で学習し、身体的制御に物理的進化の先行を取り入れている。本稿では,WAMの予測・検討ギャップに対処するため,WAMのエージェントフレームワークであるHarnessWAMを提案する。我々は、HarnessWAMがRoboMemArenaで59.6%、69.9%、RoboCerebra Idealで23.7%、最先端のフルタスクとサブタスクの成功率を達成したことを示す。
論文参考訳（メタデータ） (2026-08-10T12:15:59Z)
WorldScape Policy 2.0: Empowering Steerable World Action Modeling with Reasoning-Augmented Memory [50.19449886428936]
We introduced WorldScape Policy 2.0, a controllable WAM with reasoning-augmented long long-term memory。検索された履歴は、認識と自己回帰的に生成された計画トークンを増大させ、自律的な計画のための暗黙のサブゴール条件をもたらす。シミュレーションと実世界のプラットフォームにおける実験は、長期の自律計画、きめ細かい指示、文脈内適応において優れた能力を示す。
論文参考訳（メタデータ） (2026-07-21T08:25:37Z)
Instruction-as-State: Environment-Guided and State-Conditioned Semantic Understanding for Embodied Navigation [38.77209165510599]
S-EGIU(State-Entangled Environment-Guided Instruction Understanding)を紹介する。 S-EGIUは、エージェントの知覚状態に基づいて段階的に進化する決定関連トークンレベルの命令状態である。これは、REVERIE Test Unseenで+2.68%のSPLゲインを含む、いくつかの主要なメトリクスで強力なパフォーマンスを提供する。
論文参考訳（メタデータ） (2026-04-20T13:09:13Z)
Language-Grounded Decoupled Action Representation for Robotic Manipulation [78.42228162226839]
認識と制御を結びつけるために,Language-Grounded Decoupled Action Representation (LaDA) フレームワークを提案する。 LaDAは3つの解釈可能なアクションプリミティブ(翻訳、回転、グリップ制御)の微細な中間層を導入し、低レベルのアクションに対して明示的な意味構造を提供する。さらに、セマンティックガイダンスによるソフトラベルのコントラスト学習の目的を用いて、類似のアクションプリミティブをタスク間で整列させ、一般化と動きの整合性を高める。
論文参考訳（メタデータ） (2026-03-13T13:08:26Z)
Executable Ontologies in Game Development: From Algorithmic Control to Semantic World Modeling [51.56484100374058]
我々は,実行可能オントロジー(EO)が,アルゴリズム行動プログラミングからセマンティックワールドモデリングへ移行したことを論じる。本稿では,EOが明示的なプリエンプションロジックではなく,データフロー条件によるタスク割り込みを優先的に行う方法を示す。
論文参考訳（メタデータ） (2026-01-12T19:57:35Z)
Grounding-MD: Grounded Video-language Pre-training for Open-World Moment Detection [67.70328796057466]
Grounding-MDは、オープンワールドのモーメント検出に適した、革新的なビデオ言語事前学習フレームワークである。我々のフレームワークは、構造化されたプロンプト機構を通じて、任意の数のオープンな自然言語クエリを組み込む。 Grounding-MDは特異なセマンティック表現学習能力を示し、多種多様な複雑なクエリ条件を効果的に処理する。
論文参考訳（メタデータ） (2025-04-20T09:54:25Z)

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。