論文の概要: ACG-WAM: World-Action Modeling via Action-Conditioned Geometric Latent Prediction
- arxiv url: http://arxiv.org/abs/2610.06965v1
- Date: Sat, 03 Oct 2026 17:52:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:29.481949
- Title: ACG-WAM: World-Action Modeling via Action-Conditioned Geometric Latent Prediction
- Title（参考訳）: ACG-WAM:アクション定義幾何潜在予測による世界行動モデリング
- Abstract要約: アクション・コンディション付き幾何学Joint-Embedding Predictive Architecture (ACG-WAM)
ACG-WAMは、現在の観測と干渉行動からいくつかの地平線における幾何学的特徴を予測する。
50のRoboTwin 2.0タスクでは、ACG-WAMはクリーンなシーンで93.46%の成功を達成している。
- 参考スコア（独自算出の注目度）: 4.104352271917983
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: World action models jointly learn visual predictionand robot actions, providing a way to use observations ofscene evolution for policy learning. Their video and actionlosses, however, provide no explicit target for the geometricconsequences of a demonstrated action sequence. Moreover,visual features taken after temporal attention can contain futureobservations, making them unsuitable as the sole current visualinput to an auxiliary predictor. We introduce ACG-WAMand its auxiliary objective, the Action-Conditioned GeometricJoint-Embedding Predictive Architecture (ACG-JEPA), whichpredicts geometric features at several horizons from the currentobservation and intervening actions, using the future slot of afrozen VGGT encoding of each current and future image pairas the target. We apply this supervision from the head and wristcameras to a shared visual embedding before temporal mixing,and remove the teacher and auxiliary modules at inference.On 50 RoboTwin 2.0 tasks, ACG-WAM achieves 93.46%success in clean scenes, with the best randomized success(92.68%) and mean across both settings (93.07%) among thecompared methods; across three tasks on a real robot, itachieves 85.00% success and 91.67% partial completion score,exceeding Motus by 10.00 and 9.17 percentage points, respec-tively. Code:https://github.com/RoboOpus/ACG-WAM.Website:https://RoboOpus.github.io/ACG-WAM.
- Abstract（参考訳）: ワールドアクションモデルは、視覚予測とロボットアクションを共同で学習し、ポリシー学習にシーン進化の観察を使用する方法を提供する。
しかしながら、それらのビデオとアクションロスは、実証されたアクションシーケンスの幾何学的結果の明確なターゲットを提供しない。
さらに、時間的注意の後に得られる視覚的特徴は、将来の観測を含むことができ、補助的な予測器に対する唯一の視覚的入力として適さない。
ACG-WAMandの補助目的であるACG-JEPA(Action-Conditioned GeometricJoint-Embedding Predictive Architecture)を導入し、現在および将来の画像ペアを対象とする凍結VGGTの将来のスロットを用いて、現在の観測とインターベンション行動から幾らかの地平線における幾何学的特徴を予測する。
頭部と手首カメラからのこの監督を時間混合前の共有視覚埋め込みに適用し,50のRoboTwin 2.0タスクにおいて,ACG-WAMはクリーンシーンにおける93.46%の精度を達成し,最適なランダム化成功(92.68%)と両設定(93.07%)を比較した。
コード:https://github.com/RoboOpus/ACG-WAM.Website:https://RoboOpus.github.io/ACG-WAM
関連論文リスト
- AutodidactWAM: Cross-Modal Self-Distillation from Generated Video to Robot Actions [2.2935396753701065]
世界行動モデル(WAM)は、観察と指示から将来のビデオとロボットのアクションを共同で生成する。
クローズドループ実ロボット試験を3段階の累積段階(プレグラス,グリップ,ピック・アンド・プレイス)で評価した。
本稿では,遠隔操作を伴わない手動推定器AutodidactWAMを提案する。
論文 参考訳（メタデータ） (2026-10-06T10:39:42Z) - World Action Modeling with Progressive Visual Planning [42.47105321176084]
本稿では,協調して行動を予測するプログレッシブ・ワールド・アクション・モデルであるProWAMについて述べる。
この設計は、大規模アクションフリービデオからサブゴール予測を学ぶことができるため、自然にスケールする。
効率的なアクション生成のために、ProWAMは単一のビデオバックボーンフォワードパスを実行し、スパースサブゴール機能をキャッシュする。
論文 参考訳（メタデータ） (2026-10-01T21:32:29Z) - CtrlWAM: Controllable World Action Models with Aligned Intent and Foresight [68.8215501687831]
世界行動モデル(WAM)は、行動(意図)と視覚的未来(展望)を共同で予測する
本稿では,シミュレータで摂動動作を実行するCtrlWAMについて述べる。
運転実験では、より正確なアクション予測、生成されたビデオとアクションの緊密な一致、提供されたコマンドのより良い追従が示される。
論文 参考訳（メタデータ） (2026-10-01T00:23:01Z) - FutureDuet: Decoupling Observation Access from Future Supervision in World Action Models [17.521920330076366]
我々はFutureDuetを導入し、両ビューを制御し、各ビジュアルストリームが異なる未来目標を受信できるようにする。
メインビューでは、将来のRGBモデルはタスクの進化をモデル化し、インタラクションマスクとロボットスケルトンはタスクオブジェクトとロボットの動きを監督する。
手首ストリームでは、将来の潜伏予測は画素レベルの再構成を必要とせず、短水平相互作用の変化をモデル化する。
論文 参考訳（メタデータ） (2026-09-28T05:39:09Z) - VABench: Measuring Embodied Spatial Intelligence through Visual Demonstrations, Active Perception, and Metric Control [57.5995346750474]
VA-Benchを導入し、完全なオブザーバ・レアソン・アクト・リビジョンループを評価する。
汎用MLLMは、RGBのみのデモンストレーションから手続き的コンテキストを学習する。
モデルには特権オブジェクトのポーズ、オラクルの軌跡、学習されたアクションヘッドは含まれない。
論文 参考訳（メタデータ） (2026-09-17T01:24:51Z) - GE-Act 2.0: Pretraining and Scaling a World-Action Model for Robotic Manipulation [63.853929983870955]
本稿では,ジェニー・エンスペクタ法 2.0 (GE-Act 2.0) について紹介する。
制御指向オートエンコーダ(CoAE)、ワンステップビジュアルプランナー(SVP)、逆ダイナミクスモデル(IDM)を組み合わせている。
それらのコンポーネントは、知識に整合した選択最適化(KASO)で共同で訓練され、記録された行動に適合していると判断された予測された未来のみを選択することで、ミスマッチした監視を減らす。
論文 参考訳（メタデータ） (2026-09-04T17:16:48Z) - Grounded World Model for Semantically Generalizable Planning [94.53923128709965]
我々は、視覚言語対応の潜在空間において、グラウンドドワールドモデル(GWM)を学習する。
提案された各アクションは、タスク命令に対する将来の結果がどの程度近いかに基づいてスコアされる。
提案したWISERベンチマークでは、GWM-MPCはテストセットで87%の成功率を達成した。
論文 参考訳（メタデータ） (2026-04-13T17:25:41Z) - AIM: Intent-Aware Unified world action Modeling with Spatial Value Maps [7.710034405765985]
AIMは、明示的な空間的インターフェースを通じてこのギャップを橋渡しする意図認識の統一世界行動モデルである。
事前訓練されたビデオ生成モデルに基づいて構築されたAIMは、共有変換器アーキテクチャ内の将来の観測と値マップを共同でモデル化する。
RoboTwin 2.0ベンチマークの実験では、AIMは平均94.0%の成功率に達し、以前の統合された世界行動ベースラインを著しく上回っている。
論文 参考訳（メタデータ） (2026-04-13T07:48:58Z) - 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)
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。