論文の概要: Long-WAM: Scaling the Context of World-Action Models

• arxiv url: http://arxiv.org/abs/2610.10528v1
• Date: Wed, 07 Oct 2026 17:58:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:23.099916
• Title: Long-WAM: Scaling the Context of World-Action Models
• Title（参考訳）: Long-WAM:World-Action Modelのコンテキストスケーリング
• Abstract要約: Long-WAMは、リアルタイム制御制約の下で因果世界アクションモデルのコンテキストをスケールするためのフレームワークである。 まず、アクションラベルのないロボットやエゴセントリックなビデオから因果予測を学習し、世界行動適応時のこの歴史と未来構造を保存する。
• 参考スコア（独自算出の注目度）: 67.37382442651268
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-time robot control demands enough visual history to infer motion and task progress, but processing that history can delay action. We present Long-WAM, a model-system framework for scaling the context of causal world-action models under real-time control constraints. Our central finding is that access to history is not the same as using it: longer histories pay off far more when the video foundation is pretrained autoregressively (AR). We first learn causal prediction from robot and egocentric videos without action labels, then preserve this history-to-future structure during world-action adaptation. On RoboCasa GR-1, increasing context from 0.0 to 19.2 seconds raises success from 63.3% to 78.7%, whereas a bidirectionally pretrained initialization shows no net gain; robot-domain AR pretraining further raises peak success on GR-1 and LIBERO-Long. Long-WAM also achieves the best results among compared methods on LIBERO-Long, RoboTwin 2.0, and DOMINO. Streaming observation encoding, asynchronous execution, and hardware-specific acceleration enable deployment on RTX 5090, DGX Spark, and Jetson AGX Thor without dropping future prediction; on RTX 5090, each action chunk, including future-video latent prediction, takes 107.4 ms. Real-time deployment on Unitree G1 and YAM supports dynamic and long-horizon manipulation, including 95% success on dynamic cup stacking, where Pi0.5 and Fast-WAM succeed in none of 20 trials. As a memory-informed executor, Long-WAM also complements higher-level planning in composite tasks.
• Abstract（参考訳）: リアルタイムロボット制御は、動きやタスクの進行を推測するのに十分な視覚履歴を必要とするが、その履歴を処理すれば動作が遅れる可能性がある。 本稿では,リアルタイム制御制約下での因果世界行動モデルのコンテキストをスケールするためのモデル・システム・フレームワークであるLong-WAMを提案する。 私たちの中心的な発見は、歴史へのアクセスはそれを使うのと同じではないということです。 まず、アクションラベルのないロボットやエゴセントリックなビデオから因果予測を学習し、世界行動適応時のこの歴史と未来構造を保存する。 RoboCasa GR-1では、文脈が0.0秒から19.2秒に増加すると、63.3%から78.7%に上昇する一方、双方向に事前訓練された初期化は純利益を示さない。 また、Long-WAMはLIBERO-Long、RoboTwin 2.0、DOMINOの比較手法の最良の結果を得る。 ストリーミング監視エンコーディング、非同期実行、ハードウェア固有のアクセラレーションにより、将来の予測を落とすことなくRTX 5090、DGX Spark、Jetson AGX Thorへのデプロイメントが可能になる。RTX 5090では、将来のビデオ遅延予測を含む各アクションチャンクは107.4msである。Unitree G1およびYAMでのリアルタイムデプロイメントは、動的および長期操作をサポートし、動的カップスタックでの95%の成功を含む、動的および水平操作をサポートする。 メモリインフォームドエグゼキュータとして、Long-WAMは複合タスクにおける高レベルの計画も補完する。

関連論文リスト

• 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)
• One from Infinity: Actualizing Futures from Pretrained World Models into Robot Actions [52.542279563757724]
  映像の世界モデルでは、シーンの多くの有望な未来が認められるが、ロボットは正確なタスク条件に気付く必要がある。 我々は、このタスクを現実化として形式化し、フリーズワールドモデルによって提供された事前のタスク条件の選択と実現を学習する。 我々は,冷凍世界モデルエンコーダ上に,最大60万パラメータのRoboActualizerを実装した。 現実化器は2つの軽量なDiT専門家で構成されており、将来的な潜伏剤とフローマッチングによるアクションを共同で予測する。
  論文  参考訳（メタデータ） (2026-09-29T00:05:24Z)
• ZimaBlue: Evolving Generalizable World Action Models through Scalable Video Pre-training [93.39352617578857]
  大規模ビデオから一般化可能なワールドアクションモデルを学ぶためのフレームワークであるZimaBlueを紹介した。 ZimaBlueは3段階のトレーニングカリキュラムに従っており、まず大規模な人間とロボットの自我中心のビデオで因果的エンボディドビデオの事前トレーニングを行う。 ZimaBlueはさらに複数のベンチマークで高いパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-08-31T18:09:52Z)
• TemporalFlow-VLA: Learning Physically Grounded Execution History for Long-Horizon Robot Manipulation [14.84720789511593]
  本稿では,物理的基盤の時間的監督を通じて,コンパクトな実行履歴を学習するTemporalFlow-VLAを提案する。 LIBERO Longでは96.60+/-0.87%、RoboTwin 12タスクで85.5%/84.2%のクリーン/ランダム化成功を含む、TemporalFlow-VLAが平均97.63+/-0.26%のLIBEROで平均的な成功を達成していることを示す。
  論文  参考訳（メタデータ） (2026-08-27T09:00:56Z)
• LM-X: Explainable Action Modeling with Progress, Event, and Uncertainty Prediction for Generalist Robot Manipulation [28.431160101245837]
  一般視覚-言語行動(VLA)政策は、主に短期水平行動予測を通じて長期水平行動を学ぶ。 我々は,解剖学的対応を主張することなく,タスク,イベント,運動の規模にわたって予測を整理するLM-Xを紹介する。
  論文  参考訳（メタデータ） (2026-08-26T13:05:29Z)
• 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)
• DiT4DiT: Jointly Modeling Video Dynamics and Actions for Generalizable Robot Control [16.562259973551786]
  本稿では,ビデオ拡散変換器とアクション拡散変換器を結合したエンドツーエンドのビデオ・アクション・モデルであるDiT4DiTを紹介する。 DiT4DiTは、再構成後のフレームに頼る代わりに、ビデオ生成プロセスから中間的なデノイング機能を抽出する。 これは最先端の結果を達成し、LIBEROでは98.6%、RoboCasa GR1では50.8%という平均的な成功率に達した。
  論文  参考訳（メタデータ） (2026-03-11T06:03:53Z)

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。