論文の概要: EWAM: Emergent Depth-Wise Specialization in a Unified Embodied Model -- From Semantic Understanding through Visual Foresight to Action

• arxiv url: http://arxiv.org/abs/2609.39973v1
• Date: Wed, 30 Sep 2026 15:35:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.981877
• Title: EWAM: Emergent Depth-Wise Specialization in a Unified Embodied Model -- From Semantic Understanding through Visual Foresight to Action
• Title（参考訳）: EWAM:Unified Embodied Modelにおける創発的深度ワイズスペシャライゼーション - 視覚的視点によるセマンティック理解から行動へ
• Abstract要約: 視覚言語行動(VLA)ポリシーは意味理解を重視し、世界行動モデル(WAM)は環境力学の予測表現を学習する。 本研究では,アクション中心の統一型エンボディモデルであるEWAMについて述べる。
• 参考スコア（独自算出の注目度）: 65.7650775259592
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision-language-action (VLA) policies emphasize semantic understanding, whereas world-action models (WAMs) learn predictive representations of environment dynamics. Systems that expose a policy to both sources often still concentrate action computation on a single expert. We present EWAM, an action-centric unified embodied model whose asymmetric joint attention lets action tokens read semantic, current-visual, predicted-future, and action information at every layer while the perceptual experts retain their distinct roles. Without layer-wise supervision, EWAM develops an emergent depth-wise specialization: action queries attend mainly to vision-language features in shallow layers, to predicted future frames in intermediate layers, and to action tokens themselves in deep layers. This handoff replicates across tasks and is stable across denoising steps. Checkpoint tracking and causal interventions show that it is learned and that action generation depends on it. EWAM is pretrained in two separate regimes, one on cross-embodiment robot trajectories and one on human egocentric video. In simulation and real-robot experiments, it surpasses existing VLA, WAM, and hybrid baselines. Human egocentric data improve both cross-embodiment transfer and real-robot robustness, and subtask-phase supervision improves long-horizon completion. Together, these results suggest that unified embodied learning can induce an ordered internal progression from semantic understanding, through visual foresight, to action formation.
• Abstract（参考訳）: 視覚言語行動(VLA)ポリシーは意味理解を重視し、世界行動モデル(WAM)は環境力学の予測表現を学習する。 両方のソースにポリシーを公開するシステムは、多くの場合、単一の専門家にアクション計算を集中させる。 EWAMはアクション中心の統一型エンボディモデルであり、非対称な共同注意により、アクショントークンは各レイヤで意味、現在の視覚、予測未来、アクション情報を読み取ることができるが、知覚の専門家はそれぞれの役割を保っている。 アクションクエリは、浅い層における視覚言語の特徴に主に関与し、中間層における将来のフレームを予測し、深層におけるトークン自体のアクションを行う。 このハンドオフはタスク間で複製され、denoisingステップ間で安定している。 チェックポイント追跡と因果介入は、それが学習され、アクション生成がそれに依存することを示す。 EWAMは2つの異なる体制で事前訓練されており、1つはクロス・エボディメント・ロボット軌道で、もう1つは人間中心のビデオで訓練されている。 シミュレーションや実ロボット実験では、既存のVLA、WAM、ハイブリッドベースラインを超えている。 ヒトのエゴセントリックなデータは、クロス・エボディメント・トランスファーとリアル・ロボット・ロバストネスの両方を改善し、サブタスク・フェーズの監視はロング・ホライゾン・コンプリーメントを改善する。 これらの結果から,統合型エンボディドラーニングは,視覚的視点を通じて意味理解から行動形成まで,順序づけられた内部進行を誘導する可能性が示唆された。

関連論文リスト

• Towards Generalizable Visually Grounded Exploration of Household Devices [74.66117923766632]
  汎用的な自律的実施エージェントを実現する上でのボトルネックは、Generalizable Visually Grounded Explorationにある。 VGEBenchは、視覚言語モデルの一般化可能な視野探索能力を評価するために設計されたベンチマークである。 静的なデータセットとは異なり、我々はLogic-Driven State Machineフレームワークを構築している。このフレームワークは多ターンインタラクションループをシミュレートし、アクティブな視覚知覚とフィードバック駆動の修正によって目標を達成するエージェントを説得する。
  論文  参考訳（メタデータ） (2026-09-01T07:42:45Z)
• BrainWAM: Action-Space Coordination of Semantic Priors and Predictive Dynamics for Autonomous Driving [17.81940828370337]
  VLA(Vision-Language-Action)モデルはセマンティック推論のためにVLMの先行情報を利用するが、WAM(World Action Models)は生成的世界モデリングを通じて将来的な予測を提供する。 これは自然に、セマンティックプライドと予測ダイナミクスの両方を活用できる統一されたプランナーを動機付けます。 本稿では、意味論的推論と予測的世界モデリングを2つの特殊な行動指向経路に変換する、構造化された行動空間協調フレームワークBrainWAMを提案する。
  論文  参考訳（メタデータ） (2026-08-13T05:56:17Z)
• 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)
• 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)
• DreamVLA: A Vision-Language-Action Model Dreamed with Comprehensive World Knowledge [41.030494146004806]
  本稿では,逆動力学モデリングを実現するために,包括的世界知識予測を統合した新しいVLAフレームワークであるDreamVLAを提案する。 DreamVLAは、動的領域誘導の世界知識予測を導入し、空間的および意味的な手がかりと統合し、アクション計画のためのコンパクトで包括的な表現を提供する。 実世界とシミュレーション環境での実験では、ドリームVLAが実際のロボットタスクで76.7%の成功率を達成したことが示されている。
  論文  参考訳（メタデータ） (2025-07-06T16:14:29Z)

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。