論文の概要: LocoWM: High-Precision Locomotion through World-Model-Guided Residual Adaptation

• arxiv url: http://arxiv.org/abs/2609.39179v1
• Date: Wed, 30 Sep 2026 07:35:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.394734
• Title: LocoWM: High-Precision Locomotion through World-Model-Guided Residual Adaptation
• Title（参考訳）: LocoWM:World-Model-Guided Residual Adaptationによる高精度ロコモーション
• Abstract要約: 高精度なロコモーションは、モーションコマンドトラッキングとタスク関連物理状態の正確な制御を組み合わせたものである。 高速移動のためのワールドモデル誘導能動残差適応フレームワークであるtextbfLocoWM について述べる。
• 参考スコア（独自算出の注目度）: 24.97469204499893
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-precision locomotion combines motion-command tracking with precise regulation of task-relevant physical states, enabling robots to interact reliably with their surroundings during motion. Joint end-to-end optimization can leave precision objectives insufficiently optimized, while reactive residual control adjusts actions only after deviations become observable. We present \textbf{LocoWM}, a world-model-guided preactive residual adaptation framework for high-precision locomotion. A base policy provides command-following locomotion, while an action-conditioned world model predicts a sequence of future physical states from proprioceptive history and the proposed base action. A residual adapter conditions on this predicted sequence to generate additive action corrections that compensate for anticipated deviations. Two-stage training first learns locomotion and action-conditioned dynamics, then freezes both modules while training the adapter, separating locomotion acquisition from precision adaptation. Experiments spanning terrain leveling, acceleration compensation, and push recovery demonstrate improved control precision and disturbance robustness over end-to-end and reactive residual baselines. Demos and code are available at: https://zhaozijie2022.github.io/LocoWM
• Abstract（参考訳）: 高精度なロコモーションは、モーションコマンドトラッキングとタスク関連物理状態の精密な規制を組み合わせることで、ロボットが動き中に周囲と確実に対話できるようにする。 一致したエンドツーエンドの最適化では精度の最適化が不十分なままであり、反応性の残留制御は偏差が観測可能になった後にのみ動作を調整する。 本稿では, 高精度ロコモーションのための世界モデル誘導能動残差適応フレームワークである \textbf{LocoWM} について述べる。 基本方針は指令追従ロコモーションを提供し、アクション条件付き世界モデルは、先天的な歴史と提案された基本行動から将来の物理状態のシーケンスを予測する。 この予測シーケンス上の残留アダプタ条件は、期待したずれを補う付加的な動作補正を生成する。 2段階のトレーニングはまず、動作と動作条件のダイナミクスを学び、その後、アダプタをトレーニングしながら両方のモジュールを凍結し、ロコモーション獲得と精度適応を分離する。 地形の平準化,加速度補償,プッシュリカバリにまたがる実験により,エンド・ツー・エンドおよび反応性残留基線に対する制御精度と乱れの堅牢性が改善された。 デモとコードは、https://zhaozijie2022.github.io/LocoWM.comで公開されている。

関連論文リスト

• 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)
• Rapid Embodiment Adaptation for Quadrupedal Locomotion [34.58092949618632]
  人間は身体が老朽化、怪我、荷物を運ぶことで容易に動きを変えるが、ハードウェア特性が変化すると、学習ベースのロボットポリシーは壊れることが多い。 短時間の相互作用履歴から実施パラメータを推定する四足歩行のためのオンライン実施適応フレームワークを提案する。 本手法は,半秒以内の物理的変化を識別する軽量適応モジュールと,具体的ランダム化の下で訓練されたジェネラリストポリシーを組み合わせたものである。
  論文  参考訳（メタデータ） (2026-08-02T21:31:49Z)
• HarmoWAM: Harmonizing Generalizable and Precise Manipulation via Adaptive World Action Models [58.191567345416836]
  世界行動モデル(WAM)は、物理力学のモデリングによるロボット制御のための有望なパラダイムとして登場した。 HarmoWAMは、予測と反応の制御を統一するために世界モデルを完全に活用し、一般的なトランジットと正確な操作を可能にする。 実世界の6つのロボットタスクにまたがる3つのトレーニング未確認テスト環境を構築し、背景、位置、オブジェクトの意味のバリエーションをカバーした。
  論文  参考訳（メタデータ） (2026-05-11T17:59:56Z)
• AnchorRefine: Synergy-Manipulation Based on Trajectory Anchor and Residual Refinement for Vision-Language-Action Models [60.04879435087352]
  視覚言語アクション(VLA)ポリシーは、単一の統一空間内でアクションを生成する。 本稿では,VLAの動作モデリングを軌跡アンカーと残留精細化に分解する階層的フレームワークであるAnchorRefineを提案する。 LIBERO、CALVIN、および実ロボットタスクの実験では、AnchorRefineは回帰ベースと拡散ベースの両方のVLAバックボーンを一貫して改善している。
  論文  参考訳（メタデータ） (2026-04-20T04:25:24Z)
• Towards Adaptable Humanoid Control via Adaptive Motion Tracking [40.862885805966464]
  単一の参照動作から適応的な制御を可能にする新しいモーショントラッキングであるAdaMimicを紹介する。 シミュレーションと実世界のUnitree G1ヒューマノイドロボットにおけるアプローチにおけるこれらの重要な改善の有効性を検証する。
  論文  参考訳（メタデータ） (2025-10-16T08:54:53Z)
• Physical Autoregressive Model for Robotic Manipulation without Action Pretraining [65.8971623698511]
  我々は、自己回帰ビデオ生成モデルを構築し、物理自己回帰モデル(PAR)を提案する。 PARは、アクション事前トレーニングを必要とせず、物理力学を理解するために、ビデオ事前トレーニングに埋め込まれた世界の知識を活用する。 ManiSkillベンチマークの実験は、PARがPushCubeタスクで100%の成功率を達成したことを示している。
  論文  参考訳（メタデータ） (2025-08-13T13:54:51Z)
• 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)
• Weakly-supervised Action Transition Learning for Stochastic Human Motion Prediction [81.94175022575966]
  動作駆動型人間の動作予測の課題について紹介する。 一連の動作ラベルと短い動作履歴から、複数の可算な将来の動作を予測することを目的としている。
  論文  参考訳（メタデータ） (2022-05-31T08:38:07Z)
• Conditional Temporal Variational AutoEncoder for Action Video Prediction [66.63038712306606]
  ACT-VAEは、単一の入力画像からアクションクリップのポーズシーケンスを予測する。 プラグアンドプレイのP2Iネットワークに接続すると、ACT-VAEは画像シーケンスを合成できる。
  論文  参考訳（メタデータ） (2021-08-12T10:59:23Z)

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。