論文の概要: Rethinking World-Action Model for Compositional and In-Context Robotic Manipulation

• arxiv url: http://arxiv.org/abs/2610.02368v1
• Date: Thu, 01 Oct 2026 18:45:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.049236
• Title: Rethinking World-Action Model for Compositional and In-Context Robotic Manipulation
• Title（参考訳）: 構成型・非コンテキスト型ロボットマニピュレーションのための世界行動モデルの再考
• Abstract要約: Visual Goal- Conditioned Action Reasoning (ViGAR)は、視覚的なサブゴールプランナーとサブゴールエグゼキュータに操作を分解する階層的なフレームワークである。 RoboTwin Clean2Randomベンチマークでは、ViGARはそれぞれクリーン設定とランダム設定で82.00%と67.02%の成功率を達成した。
• 参考スコア（独自算出の注目度）: 31.94462603078166
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-horizon compositional manipulation has become increasingly important for real-world robot deployment, where a single task involves multiple coordinated subtasks. Existing world-action models (WAMs) jointly predict short-horizon visual futures and actions, but typically lack explicit subtask-level reasoning. We propose Visual Goal-conditioned Action Reasoning (ViGAR), a hierarchical framework that factorizes manipulation into a visual subgoal planner and a subgoal executor. Given the current observation and global instruction, the subgoal planner predicts a visual subgoal for the next subtask. The subgoal executor then jointly generates future visual trajectories and actions conditioned on the predicted subgoal. Both components share a pretrained world-model representation, enabling task-level planning and action generation to benefit from common physical knowledge. Moreover, our framework naturally supports in-context learning: using a global goal image as context can induce different subtask decompositions and behaviors without parameter updates. On the RoboTwin Clean2Random benchmark, ViGAR achieves 82.00% and 67.02% success rates under the Clean and Random settings, respectively, surpassing the strongest baseline by 12.86 percentage points in average success rate. Real-world robot experiments on five compositional and two in-context learning tasks further confirm the effectiveness of ViGAR.
• Abstract（参考訳）: 1つのタスクが複数の調整されたサブタスクを含む現実世界のロボット展開において、長い水平構成操作がますます重要になっている。 既存の世界行動モデル(WAM)は、短期の視覚的未来と行動を共同で予測するが、通常、明示的なサブタスクレベルの推論を欠いている。 視覚目標条件付きアクション推論(ViGAR)は,視覚的なサブゴールプランナとサブゴールエグゼキュータに操作を分解する階層的なフレームワークである。 現在の観察とグローバルな指示から、サブゴールプランナーは次のサブタスクの視覚的なサブゴールを予測する。 サブゴール実行者は、予測されたサブゴールに条件付けられた将来の視覚的軌跡とアクションを共同で生成する。 両方のコンポーネントは事前訓練された世界モデル表現を共有しており、タスクレベルの計画とアクション生成が共通の物理的知識の恩恵を受けることができる。 さらに,本フレームワークはコンテキスト内学習を自然にサポートしている。グローバルゴールイメージをコンテキストとして使用することで,パラメータ更新なしで異なるサブタスク分解や振る舞いを誘発することができる。 RoboTwin Clean2Randomベンチマークでは、ViGARはクリーンとランダムの設定でそれぞれ82.00%と67.02%の成功率を記録し、平均成功率で12.86ポイントのベースラインを上回っている。 5つの構成的および2つのコンテキスト内学習タスクにおける実世界のロボット実験により、ViGARの有効性がさらに確認される。

関連論文リスト

• HINT: Human-Intent Inception for Long-Horizon Robot Manipulation [11.55318573740128]
  HINT(Human-INTent INcepTion)は,人間の操作原理に触発されたエージェントフレームワークである。 HINTは2つの基本方針にまたがって、意図の理解、タスクの進捗、エンドツーエンドの成功を大幅に改善することを示す。
  論文  参考訳（メタデータ） (2026-09-02T14:26:30Z)
• TriRelVLA: Triadic Relational Structure for Generalizable Embodied Manipulation [54.81449795163812]
  視覚言語アクション(VLA)モデルは、トレーニング対象のロボットタスクでうまく機能するが、見えないシーンやオブジェクトに一般化するのに苦労する。 一般化可能なエンボディ操作のための三進関係VLAフレームワークであるTriRelVLAを提案する。 実験は、微調整されたタスクにおいて強い性能を示し、クロスシーン、クロスオブジェクト、クロスタスクの一般化において明確なゲインを示す。
  論文  参考訳（メタデータ） (2026-05-07T05:57:49Z)
• PRTS: A Primitive Reasoning and Tasking System via Contrastive Representations [66.94988600664574]
  我々は,目標達成型強化学習を通じて事前学習を再構築するVLA基盤モデルであるtextbfPRTS(textbfPrimitive textbfReasoning and textbfTasking textbfSystem)を提案する。
  論文  参考訳（メタデータ） (2026-04-30T06:14:02Z)
• Scaling World Model for Hierarchical Manipulation Policies [61.736772957803026]
  Vision-Language-Action(VLA)モデルは、汎用的なロボット操作を約束するが、配布外設定では脆弱である。 本稿では,大規模事前学習型世界モデルの一般化を活用した階層型ビジョン・ランゲージ・アクション・フレームワークを提案する。 視覚目標合成と階層型VLAポリシの両方を,大規模なアウト・オブ・ディストリビューションシナリオで検証する。
  論文  参考訳（メタデータ） (2026-02-11T16:12:33Z)
• MaP-AVR: A Meta-Action Planner for Agents Leveraging Vision Language Models and Retrieval-Augmented Generation [18.84633713315585]
  複雑な日々のタスクを管理するように設計されたロボットAIシステムは、ハイレベルなタスクを理解し分解するためのタスクプランナーに依存している。 本稿は、計画されたスキルセットを定義することが同様に重要である、と論じる。 日々の環境の複雑さに対処するためには、スキルセットは高度な一般化能力を持つべきである。
  論文  参考訳（メタデータ） (2025-12-22T14:58:52Z)
• GoViG: Goal-Conditioned Visual Navigation Instruction Generation [69.79110149746506]
  本稿では,Goal-Conditioned Visual Navigation Instruction Generation (GoViG)を紹介する。 GoViGは生のエゴセントリックな視覚データのみを活用し、目に見えない非構造環境への適応性を大幅に改善する。
  論文  参考訳（メタデータ） (2025-08-13T07:05:17Z)
• Learning to See and Act: Task-Aware View Planning for Robotic Manipulation [88.37482534484627]
  Task-Aware View Planning (TAVP)は、アクティブなビュープランニングとタスク固有の表現学習を統合するために設計されたフレームワークである。 提案したTAVPモデルは、最先端の固定ビューアプローチよりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2025-08-07T09:21:20Z)
• ReVoLT: Relational Reasoning and Voronoi Local Graph Planning for Target-driven Navigation [1.0896567381206714]
  Embodied AIは、知的な実体と現実世界の相互作用を強調する必然的なトレンドである。 グラフニューラルネットワーク(GNN)によるレイアウト関係の活用に関する研究 このタスクを分離し、階層的なフレームワークであるReVoLTを提案する。
  論文  参考訳（メタデータ） (2023-01-06T05:19:56Z)

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。