論文の概要: EVO-WAM: Evolving World Action Models through Video-Action Verification
- arxiv url: http://arxiv.org/abs/2609.38057v1
- Date: Tue, 29 Sep 2026 17:25:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:47.782345
- Title: EVO-WAM: Evolving World Action Models through Video-Action Verification
- Title（参考訳）: EVO-WAM:ビデオアクション検証による世界行動モデルの形成
- Abstract要約: EVO-WAMは、自身の生成したビデオアクション軌跡から学習することで、WAMを見えないタスクに適応するフレームワークである。
コスモス3の平均成功率は20.0%から76.7%に改善され、56.7%となった。
- 参考スコア（独自算出の注目度）: 51.68210232964847
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Improving robot policies on new tasks without collecting additional expert demonstrations remains a central challenge in robot learning. World action models (WAMs) use broad video priors to jointly predict future videos and actions, offering a potential source of supervision for adapting to new tasks. However, generated videos may fail to depict task completion, and even visually successful videos may be paired with inconsistent actions that lead to execution failure. We propose EVO-WAM, a framework that adapts WAMs to unseen tasks by learning from their own generated video-action trajectories, without executing candidate actions in an external environment. First, we augment WAM training with state prediction and anchored multi-frame context to enable complete autoregressive rollouts without external execution feedback. Second, we identify reliable training experience by selecting task-completing prefixes with a vision-language model and verifying their video-action consistency with an inverse dynamics model. Third, we iteratively train the WAM on verified prefixes and generate new rollouts with the updated model. On seven unseen RoboTwin 2.0 tasks, EVO-WAM increases average success rates from 26.9% to 68.0% for Cosmos3 and from 28.5% to 46.4% for DreamZero, reaching approximately $2.5\times$ and $1.6\times$ their initial success rates. On three unseen long-horizon composite tasks in the real world, it improves Cosmos3's average success rate from 20.0% to 76.7%, a gain of 56.7 percentage points. Project Page: https://evo-wam.github.io/.
- Abstract（参考訳）: 新たなタスクに対するロボットポリシーの改善は、新たな専門家によるデモを集めることなく、ロボット学習における中心的な課題である。
ワールドアクションモデル(WAM)は、将来のビデオとアクションを共同で予測するために広範のビデオプリエンスを使用し、新しいタスクに適応するための潜在的監督源を提供する。
しかし、生成されたビデオはタスクの完了を表現できず、視覚的に成功したビデオでさえ、実行が失敗する原因となる一貫性のないアクションと組み合わせられることがある。
EVO-WAMは、外部環境下での候補動作を行なわずに、自身の生成したビデオ行動軌跡から学習することで、WAMを未知のタスクに適応させるフレームワークである。
まず、状態予測と固定された複数フレームコンテキストでWAMトレーニングを強化し、外部からのフィードバックなしに完全な自動回帰ロールアウトを可能にする。
第二に、タスク補完プレフィックスを視覚言語モデルで選択し、そのビデオアクション一貫性を逆ダイナミクスモデルで検証することで、信頼性の高いトレーニング経験を識別する。
第3に、検証済みプレフィックスでWAMを反復的にトレーニングし、更新されたモデルで新しいロールアウトを生成する。
7つの未確認のRoboTwin 2.0タスクでは、EVO-WAMは平均成功率を26.9%から68.0%に、DreamZeroは28.5%から46.4%に引き上げ、2.5\times$と1.6\times$に到達した。
現実世界の3つの目に見えない長距離複合作業において、コスモス3の平均成功率は20.0%から76.7%に改善され、56.7%の上昇となった。
プロジェクトページ: https://evo-wam.github.io/.com
関連論文リスト
- Direct Experience World-Model Optimization: Learning the World Beyond Action Imitation [13.304916656517472]
World-Action Models (WAM) は、物理的な相互作用がどのように展開されるかを予測するアクション生成を結合する。
WAMのための後処理学習パラダイムであるDirect Experience World-Model Optimization (DEWO)を提案する。
論文 参考訳（メタデータ） (2026-09-29T12:41:41Z) - DeltaWAM: Delta World Action Models for Bimanual Manipulation [61.57435324858005]
ワールドアクションモデル(WAM)は、事前訓練されたビデオジェネレータから、視覚力学とアクションを共同でモデル化することによって、視覚と動きの先行をロボット制御に転送する。
本稿では,高密度アンカー,スパースデルタ,アクションストリームを用いて,視覚的デルタとアクションを共同で予測するDeltaWAMを提案する。
RoboTwinでは、SDMを使用したDeltaWAMは、Fast-WAMの平均的な成功を81.3%から85.4%に改善し、ビジュアルランダム化の下で75.8%から83.9%に改善した。
論文 参考訳（メタデータ） (2026-09-23T21:45:16Z) - 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) - GE-Act 2.0: Pretraining and Scaling a World-Action Model for Robotic Manipulation [63.853929983870955]
本稿では,ジェニー・エンスペクタ法 2.0 (GE-Act 2.0) について紹介する。
制御指向オートエンコーダ(CoAE)、ワンステップビジュアルプランナー(SVP)、逆ダイナミクスモデル(IDM)を組み合わせている。
それらのコンポーネントは、知識に整合した選択最適化(KASO)で共同で訓練され、記録された行動に適合していると判断された予測された未来のみを選択することで、ミスマッチした監視を減らす。
論文 参考訳（メタデータ） (2026-09-04T17:16:48Z) - Zero-WAM: In-Context World-Action Modeling from Human Videos for Open-Ended Task Generalization [66.06331553787281]
テキスト内ビデオガイダンスに従うことで、見知らぬタスクを実行する因果的ビデオアクションモデルであるZero-WAMを提案する。
我々はまた、8.6Kタスクにまたがる74.2Kの人間ロボットICLペアのデータセットであるHumanGenを提示する。
RoboTwin 2.0シミュレーションの7つの目に見えないタスクにおいて、Zero-WAMは47.0%の平均的な成功率を達成する。
論文 参考訳（メタデータ） (2026-08-26T17:59:34Z) - WAM-OPD: On-Policy Distillation for World Action Models [0.0]
本研究は, 都市部における蒸留が, スパース・リワード強化学習を必要とせず, 生徒を補修できるかどうかを考察する。
WAM-OPD(WAM-OPD)は、ビデオファーストのWAMのための、デプロイに一貫性のあるポストトレーニングレシピである。
予備的なRoboTwin 2.0は2つのタスクについて研究しており、リリースされたワンビデオ/ワンアクションステップのFlash-WAMは0.0%から58.3%に改善されている。
論文 参考訳（メタデータ） (2026-08-23T11:06:45Z) - Do World Action Models Generalize Better than VLAs? A Robustness Study [25.418384276142223]
視覚言語アクション(VLA)は、様々なロボットタスクで顕著な成功を収めた。
世界行動モデル(WAM)は、将来の状態を予測するために大量のビデオデータに基づいて訓練された世界モデルに基づいて構築される。
LIBERO-Plus と RoboTwin 2.0-Plus のベンチマークにおいて,様々な視覚的・言語的摂動による性能評価を行った。
論文 参考訳（メタデータ） (2026-03-23T15:13:15Z) - World Action Models are Zero-shot Policies [111.91938055103633]
本稿では,予めトレーニングされたビデオ拡散バックボーン上に構築されたワールドアクションモデル(WAM)であるDreamZeroを紹介する。
ビデオとアクションを共同でモデリングすることで、DreamZeroは異種ロボットデータから多様なスキルを効果的に学習する。
ビデオのみによる他のロボットや人間によるデモは、目に見えないタスクのパフォーマンスに対して42%以上の相対的な改善をもたらす。
論文 参考訳（メタデータ） (2026-02-17T15:04:02Z)
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。