論文の概要: UniWAM Technical Report: Unified Mobile Manipulation via Mixed-Stream World-Action Modeling and Manipulation Anchor Pose Supervision

• arxiv url: http://arxiv.org/abs/2609.39388v1
• Date: Wed, 30 Sep 2026 09:35:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.523676
• Title: UniWAM Technical Report: Unified Mobile Manipulation via Mixed-Stream World-Action Modeling and Manipulation Anchor Pose Supervision
• Title（参考訳）: UniWAM Technical Report: Unified Mobile Manipulation via Mixed-Stream World-Action Modeling and Manipulation Anchor Pose Supervision
• Abstract要約: 我々は、異なるアクションエンコーダとナビゲーションと操作のための出力ヘッドを備えた混合ストリームワールドアクションモデルUniWAMを紹介する。 本稿では,操作の停止場所と操作の方向性について,MAP(Manipulation Anchor Pose)の監督について紹介する。 自動パイプラインは、大規模3DシーンからMAP-Dataを構築し、150万回以上、7500時間に及ぶ。
• 参考スコア（独自算出の注目度）: 41.59955234333377
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mobile manipulation requires precise navigation to a manipulation-ready pose followed by reliable object interaction. These two stages differ in action spaces and visual requirements, which complicates unified policy learning. In addition, collecting diverse real-world navigation data with explicit manipulation-ready pose supervision remains costly and difficult to scale. We introduce UniWAM, a unified mixed-stream world-action model with separate action encoders and output heads for navigation and manipulation, sharing a common backbone. This design supports joint representation learning on independently sampled navigation and manipulation data. UniWAM supports independent inference for either stream and batch-parallel inference for both. We further introduce Manipulation Anchor Pose (MAP) supervision for where to stop and how to orient for manipulation. An automated pipeline constructs MAP-Data from large-scale 3D scenes, yielding over 1.5 million episodes and 7,500 hours. MAP-Data provides per-frame target-object bounding boxes and image-plane MAP coordinates as auxiliary navigation supervision. Together with projected end-effector trajectories for manipulation, these prediction targets provide stream-specific image-plane supervision for action learning from egocentric observations. With large-scale MAP-Data, UniWAM outperforms the strongest external baselines on our MAP-Bench by 30.1\% in position error and 44.0\% in heading error. Across 24 real-robot tasks, UniWAM achieves leading results in MAP navigation and mobile manipulation, with competitive manipulation performance. We have released code, data, and benchmark.
• Abstract（参考訳）: モバイル操作には、操作可能なポーズへの正確なナビゲーションと、信頼性の高いオブジェクトインタラクションが必要である。 これらの2つの段階は、統一された政策学習を複雑にする行動空間と視覚的要求において異なる。 さらに,操作可能なポーズを明示した多様な実世界のナビゲーションデータを収集することは,コストがかかり,スケールが困難である。 我々は、異なるアクションエンコーダとナビゲーションと操作のための出力ヘッドを備えた混合ストリームワールドアクションモデルUniWAMを紹介し、共通のバックボーンを共有する。 この設計は、独立にサンプリングされたナビゲーションと操作データに対する共同表現学習をサポートする。 UniWAMは、ストリームとバッチ並列の両方の独立推論をサポートする。 さらに,制御アンカーポース (MAP) の監視について紹介する。 自動パイプラインは、大規模3DシーンからMAP-Dataを構築し、150万回以上、7500時間に及ぶ。 MAP-Dataは、フレーム単位のターゲットオブジェクト境界ボックスとイメージプレーンMAP座標を補助的なナビゲーション監視として提供する。 これらの予測ターゲットは、操作のための予測されたエンドエフェクター軌道と共に、エゴセントリックな観測からアクション学習のためのストリーム固有のイメージプレーン監視を提供する。 大規模なMAPデータにより、UniWAMはMAP-Benchの最大の外部ベースラインを30.1\%、方向誤差44.0\%で上回る。 24個の実ロボットタスクのうち、UniWAMはMAPナビゲーションとモバイル操作の主導的な成果を達成し、競争力のある操作性能を実現している。 コード、データ、ベンチマークをリリースしました。

関連論文リスト

• LightNav-0: Eliciting VLM Spatial Intelligence for Generalist Embodied Navigation [52.91080323083409]
  エージェントは異質な目標や視覚的な観察をタスク、環境、ロボットの体現物に翻訳する必要がある。 ここでは,タスク固有の予測ヘッドを使わずに,予め訓練されたVLMの空間的知性を取り入れた,コンパクトな一般化型ナビゲーションモデルLightNav-0を提案する。
  論文  参考訳（メタデータ） (2026-08-31T15:08:53Z)
• UniLM-Nav: A Unified Framework for Zero-Shot Last-Mile Navigation [42.39025692205837]
  ゼロショットオープン語彙ラストマイルナビゲーションのためのフレームワークであるUniLM-Navを提案する。 UniLM-Navは、ラストマイルナビゲーションをビューセレクション、タスク条件付きアベイランスグラウンド、基本目的推論に分解する。 OVMMベンチマークでUniLM-Navを評価し,従来の最先端手法であるMoToを3.13ポイント上回る性能を示した。
  論文  参考訳（メタデータ） (2026-07-07T17:42:08Z)
• SuperSuit: An Isomorphic Bimodal Interface for Scalable Mobile Manipulation [8.367600706539774]
  ロボット・イン・ザ・ループの遠隔操作とアクティブなデモンストレーションの両方をサポートするバイモーダルデータ取得フレームワークである textbfSuperSuit を,共有キネマティックインタフェース下で提供する。 長距離移動操作タスクにおける実世界実験では、遠隔操作ベースラインと比較してアクティブモードでの2.6$times$高いデモスループット、固定データセットサイズでのアクティブなデモンストレーションによる遠隔操作データ置換時のポリシー性能、アクティブなデータボリュームの増加に伴うモノトニックパフォーマンスの向上が示されている。
  論文  参考訳（メタデータ） (2026-03-06T13:40:30Z)
• AutoFly: Vision-Language-Action Model for UAV Autonomous Navigation in the Wild [62.47761809929869]
  視覚言語ナビゲーション(VLN)は、視覚的観察とともに言語指示を解釈することで、知的エージェントが環境をナビゲートする必要がある。 無人航空機(UAV)の現在のVLN研究は、所定のルートに沿ってUAVを誘導するための詳細な指示に依存している。 本稿では,自律型UAVナビゲーションのためのエンド・ツー・エンドのビジョン・ランゲージ・アクションモデルであるAutoFlyを提案する。
  論文  参考訳（メタデータ） (2026-02-10T11:08:07Z)
• Learning Category-level Last-meter Navigation from RGB Demonstrations of a Single-instance [5.161531917413708]
  ほとんどのRGBベースのナビゲーションシステムは、粗いメートルレベルの精度しか保証していない。 このギャップは、操作ポリシーがトレーニングデモの配布内で動作することを防ぐ。 我々は、ラストメーターナビゲーションのためのオブジェクト中心の模倣学習フレームワークを導入する。
  論文  参考訳（メタデータ） (2025-12-11T23:35:05Z)
• TP-MDDN: Task-Preferenced Multi-Demand-Driven Navigation with Autonomous Decision-Making [90.18833928208333]
  Task-Preferenced Multi-Demand-Driven Navigation (TP-MDDN)は、複数のサブオンデマンドと明示的なタスク嗜好を含む長距離ナビゲーションのための新しいベンチマークである。 空間記憶のために,3次元点雲蓄積と2次元意味マッピングを組み合わせたMASMapを設計した。 本手法は,認識精度とナビゲーションの堅牢性の両方において,最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-11-21T13:12:13Z)
• MoMa-Kitchen: A 100K+ Benchmark for Affordance-Grounded Last-Mile Navigation in Mobile Manipulation [46.30498198691935]
  MoMa-Kitchenは、最適な最終ナビゲーション位置を学習するためのトレーニングモデルのためのベンチマークデータセットである。 視覚データは、ロボットアームに取り付けられた1人称ビューカメラによってキャプチャされたRGB-D入力から収集される。 提案手法は,異なるアームタイプとプラットフォームの高さに対応する,アベイランスに基づく最終的な位置決めの学習を可能にする。
  論文  参考訳（メタデータ） (2025-03-14T04:47:38Z)

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。