論文の概要: SkeleWAM: Skeleton World-Action Modeling for Efficient Robotic Manipulation

• arxiv url: http://arxiv.org/abs/2610.02120v1
• Date: Thu, 01 Oct 2026 17:35:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.335819
• Title: SkeleWAM: Skeleton World-Action Modeling for Efficient Robotic Manipulation
• Title（参考訳）: SkeleWAM: 効率的なロボットマニピュレーションのための骨格ワールド・アクション・モデリング
• Abstract要約: 世界行動モデル(WAM)は、ロボットアクション生成と将来の状態予測を組み合わせる。 我々は,ロボット関節,物体中心,相互作用点からなるスパース3Dスケルトンとして操作シーンを表すコンパクトなWAMであるSkeleWAMを紹介する。
• 参考スコア（独自算出の注目度）: 32.244260826530244
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: World action models (WAMs) combine robot action generation with future state prediction. Existing WAMs typically predict videos or learned visual latents, which represent interaction geometry only implicitly and may retain appearance information unrelated to control. We introduce SkeleWAM, a compact WAM that represents a manipulation scene as a sparse 3D skeleton composed of robot joints, object centers, and interaction points. Constructed online from current RGB-D observations and robot proprioception, the skeleton provides a unified geometric state for action generation and future skeleton prediction. Future skeleton prediction provides additional geometric supervision for action learning without requiring visual reconstruction. At inference, SkeleWAM generates actions directly from the current skeleton and language instruction, while Medoid Action Consensus (MAC) serves as an auxiliary consensus strategy for stochastic action samples. On LIBERO-Plus, SkeleWAM achieves an overall success rate of 85.9% with 57.1M parameters, outperforming Cosmos-Policy by 3.7 percentage points. These results demonstrate that sparse 3D robot--object structure provides an effective state space for robust and parameter-efficient world action learning. The project is available at https://skelewam-project.github.io/.
• Abstract（参考訳）: 世界行動モデル(WAM)は、ロボットアクション生成と将来の状態予測を組み合わせる。 既存のWAMは、通常、ビデオや学習された視覚的潜伏者を予測し、相互作用幾何学は暗黙的にのみ表現し、制御とは無関係な外観情報を保持する。 我々は,ロボット関節,物体中心,相互作用点からなるスパース3Dスケルトンとして操作シーンを表すコンパクトなWAMであるSkeleWAMを紹介する。 現在のRGB-D観測とロボットの受容からオンラインで構築されたこの骨格は、アクション生成と将来の骨格予測のための統一された幾何学的状態を提供する。 将来の骨格予測は、視覚的再構成を必要とせず、行動学習のための幾何学的監督を提供する。 推測では、SkeleWAMは現在の骨格と言語命令から直接アクションを生成し、Medoid Action Consensus(MAC)は確率的アクションサンプルの補助的なコンセンサス戦略として機能する。 LIBERO-Plusでは、SkeleWAMの総合的な成功率は85.9%で57.1Mのパラメータで、コスモス・ポリシーを3.7%上回っている。 これらの結果は、スパース3Dロボット-オブジェクト構造が、堅牢でパラメータ効率の良い世界行動学習に有効な状態空間を提供することを示した。 このプロジェクトはhttps://skelewam-project.github.io/.comで入手できる。

関連論文リスト

• SkelWAM: A Skeleton-Guided World-Action Model for Zero-Shot Cross-Embodiment Manipulation [44.694612106068654]
  本稿では,骨格誘導型世界行動モデルであるSkelWAMについて述べる。 ビデオ・アクション・ミックスの変換器は標準骨格の動作チャンクを予測し、エンボディメント固有の制約付きデコーダは関節または連続ロボット制御に変換する。 フランカの訓練を受けたSkelWAMは1000回で43.3%の成功を収め、評価ベースラインを36.2%上回った。
  論文  参考訳（メタデータ） (2026-09-18T16:44:42Z)
• Spatially Aware World Action Model via Geometric Latent Diffusion [42.13843953705695]
  World Action Models (WAM) は、大規模な事前訓練されたビデオ拡散モデルの能力を活用して、将来の観測とアクションを共同で予測する。 本研究では,共同行動,RGB,深度予測のための事前学習ビデオモデルを再利用した空間認識世界行動モデル(SA-WAM)を提案する。 SA-WAM はRoboCasa と LIBERO-Plus のベンチマークで最先端の結果を達成し、同時に将来の予測を改善する。
  論文  参考訳（メタデータ） (2026-09-02T12:42:37Z)
• World Action Models: A Survey [100.95337034529263]
  ワールドアクションモデル(World Action Models, WAM)は、将来を予測できる予測モデルである。 近年のWAMは大規模なビデオ生成モデルを再利用しており、並列線はビデオ生成コアを持たない言語や視覚言語によるバックボーンに依存している。 この調査は、フィールドに共通の説明を与えます。まず、これらの境界を明確にし、2つの補完的な視点で既存の作業を整理します。
  論文  参考訳（メタデータ） (2026-06-18T17:05:19Z)
• Geometric Action Model for Robot Policy Learning [68.6657929619782]
  汎用ロボットポリシーは、オブジェクト、カメラ、ロボットアクションが3D物理世界でどのように相互作用するかを推論しながら、ユーザーの指示に従う必要がある。 最近の視覚言語行動モデル(VLA)とビデオ世界行動モデル(WAM)は、大規模基盤モデルから強い意味や時間的先行を継承する。 本稿では,言語条件の操作ポリシーであるGeometric Action Model (GAM)を提案する。
  論文  参考訳（メタデータ） (2026-06-15T17:58:03Z)
• 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)
• 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)
• ViA: View-invariant Skeleton Action Representation Learning via Motion Retargeting [10.811088895926776]
  ViAは、自己教師付き骨格行動表現学習のための新しいビュー不変オートエンコーダである。 本研究では,実世界のデータに基づく自己教師付き事前学習による骨格に基づく行動認識のための移動学習に焦点を当てた研究を行う。 以上の結果から,ViAから得られた骨格表現は,最先端の動作分類精度を向上させるのに十分であることがわかった。
  論文  参考訳（メタデータ） (2022-08-31T18:49:38Z)

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。