論文の概要: MotionWeave: Learning Motion-Centered Future Dynamics for Vision-Language-Action Policies

• arxiv url: http://arxiv.org/abs/2609.39324v1
• Date: Wed, 30 Sep 2026 09:00:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.471385
• Title: MotionWeave: Learning Motion-Centered Future Dynamics for Vision-Language-Action Policies
• Title（参考訳）: MotionWeave: ビジョンランゲージ・アクション・ポリシーの学習型未来ダイナミクス
• Abstract要約: 2つのモジュールによるアクションチャンク予測のための動き中心の未来の力学フレームワークであるMotionWeaveを提案する。 AIMGは、現在の視覚トークンから、将来のアクションタイムステップに関連付けられた相互作用領域をローカライズする水平固有のクエリを構築するために、アクションとプロプリセプティブ表現に関する条件を定めている。 HRCは隣接地平線における相互作用表現の差異を抽出し、それらを時間的動きキューとしてエンコードし、ゲートされた残留物を介してアクショントークンに注入する。 6つのMetaWorldタスクにおいて、MotionWeaveは75.3%の平均的な成功率を達成した。
• 参考スコア（独自算出の注目度）: 4.2500636748409715
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-Language-Action (VLA) models have recently incorporated world models to provide richer dynamic supervision beyond sparse action labels. However, explicitly predicting future images or videos may include control-irrelevant appearance, while guidance derived from holistic future visual representations and shared global action features may fail to establish timestep-specific correspondence between actions and local visual changes. To address this issue, we propose MotionWeave, a motion-centric future-dynamics framework for action-chunk prediction with two modules: the Action-Induced Motion Grounder (AIMG) and the Horizon Residual Composer (HRC). Specifically, AIMG conditions on action and proprioceptive representations to construct horizon-specific queries that localize interaction regions associated with each future action timestep from current visual tokens. HRC extracts differences between interaction representations at adjacent horizons, encodes them as temporal motion cues, and injects them into action tokens through a gated residual. During training, robot-arm masks rendered from future frames are used to construct KL-based motion-grounding supervision, while inference uses only the current observation. On six MetaWorld tasks, MotionWeave achieves a 75.3% average success rate, an absolute gain of 8.6% over π0 (66.7%), especially on sustained-interaction tasks. Our code is available at https://github.com/autu-mn/MotionWeave.
• Abstract（参考訳）: VLA(Vision-Language-Action)モデルは最近、スパースアクションラベルを超えてよりリッチな動的監視を提供するために世界モデルを導入している。 しかし、将来像や動画を明示的に予測することは、制御不能な外観を含む場合もあるが、全体像と共有されたグローバルな行動特徴から導かれるガイダンスは、アクションと局所的な視覚変化の間のタイムステップ特異的な対応を確立するのに失敗する可能性がある。 この問題に対処するため,動作駆動型モーショングラウンド(AIMG)とHorrizon Residual Composer(HRC)の2つのモジュールを用いたアクションチャンク予測のための動き中心型未来力学フレームワークであるMotionWeaveを提案する。 具体的には、AIMGのアクション条件とプロプリセプティブ表現を用いて、現在の視覚トークンから各未来のアクションタイムステップに関連付けられた相互作用領域をローカライズする水平特有のクエリを構築する。 HRCは隣接地平線における相互作用表現の差異を抽出し、それらを時間的動きキューとしてエンコードし、ゲートされた残留物を介してアクショントークンに注入する。 トレーニング中、将来のフレームからレンダリングされたロボットアームマスクを使用して、KLベースのモーショングラウンド管理を構築し、推論は現在の観測のみを使用する。 6つのMetaWorldタスクでは、MotionWeaveの平均成功率は75.3%で、π0(66.7%)よりも8.6%向上している。 私たちのコードはhttps://github.com/autu-mn/MotionWeave.comで公開されています。

関連論文リスト

• MotionMaestro: Masked Tokenization for Unified Motion Generation [30.16840983345016]
  完全運動と異種部分観察の共有表現を学習する統合運動生成フレームワークであるMotionMaestroを紹介する。 MotionMaestroはテキスト誘導と無条件合成、ポーズ条件付けと部分補完、時間的、軌道制御、動き継続をサポートする。 大規模なRoMoデータセットとMotionMillionデータセットの実験は、さまざまなモーション生成タスクにおける最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-09-26T14:02:03Z)
• Foresight Without Seeing: Latent Futures for World Action Models [31.423405133926334]
  本稿では,動的条件付き直接政治WAMであるForeWAMを提案する。 また、凍結した潜伏行動教師が指導するダイナミクスを導入し、物体の動きや接触変化、タスクの進行といった相互作用によって引き起こされる遷移を、暗黙の未来の状態が捉えることを奨励する。 ロボットデータの事前トレーニングがなければ、ForeWAMの標準版と加速版は平均96.7%、LIBEROは96.9%である。
  論文  参考訳（メタデータ） (2026-08-12T03:27:43Z)
• FoMoVLA: Bridging Visual Foresight and Motion Guidance for Vision-Language-Action Models [21.446753234768824]
  既存の視覚的手法は将来の視覚状態を予測するが、明確な動作誘導は欠如している。 本稿では,VLA表現を明示的な時間的監督で拡張するフレームワークであるFoMoVLAを提案する。
  論文  参考訳（メタデータ） (2026-07-16T09:04:50Z)
• RepWAM: World Action Modeling with Representation Visual-Action Tokenizers [120.87642891397853]
  RepWAMは表現中心の世界アクションモデルであり、視覚アクショントークン化器をベースとしている。 我々は、視覚的な入力を協調した視覚的および潜在的なアクショントークンにマッピングする表現的アクショントークンーを訓練する。 次に、将来的な視覚状態と、それらを言語命令で接続する潜在アクションを共同でモデル化するように、WAMを事前訓練する。
  論文  参考訳（メタデータ） (2026-06-11T17:59:43Z)
• From Imagined Futures to Executable Actions: Mixture of Latent Actions for Robot Manipulation [88.39072412680633]
  将来の映像を実行可能な表現に変換する制御指向インタフェースであるMoLAを提案する。 我々は,シミュレーションベンチマークと実世界のロボット操作タスクに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2026-05-12T14:15:16Z)
• LatentPilot: Scene-Aware Vision-and-Language Navigation by Dreaming Ahead with Latent Visual Reasoning [51.969318585152116]
  LatentPilotは、トレーニング中の将来の観察を貴重なデータソースとして利用して、アクション条件付きビジュアルダイナミクスを学習する。 そこで本稿では,フライホイール方式のトレーニング機構を提案する。これは,道路上の軌道を反復的に収集し,エージェントの行動分布に適合するようにモデルを再訓練する。 R2R-CE、RxR-CE、R2R-PEベンチマークの実験では新たなSOTA結果が得られた。
  論文  参考訳（メタデータ） (2026-03-31T02:21:59Z)
• GigaWorld-Policy: An Efficient Action-Centered World--Action Model [50.107640832046464]
  GigaWorld-Policyはアクション中心のWAMで、2Dピクセルアクションのダイナミクスを学習し、オプションのビデオ生成で効率的なアクションデコーディングを可能にする。 実世界のロボットプラットフォームでの実験結果によると、GigaWorld-Policyは主要なWAMベースラインであるMotusの9倍高速で動作する。
  論文  参考訳（メタデータ） (2026-03-18T00:52:02Z)
• HAMF: A Hybrid Attention-Mamba Framework for Joint Scene Context Understanding and Future Motion Representation Learning [12.568968115955865]
  本研究では,シーンコンテキストを協調的に符号化した将来の動き表現を学習する動き予測フレームワークであるHAMFを提案する。 我々は,我々のハイブリッドアテンション・マンバモデルにより,シンプルで軽量なアーキテクチャで最先端のモーション予測性能を実現することを示す。
  論文  参考訳（メタデータ） (2025-05-21T16:16:52Z)
• 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)

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。