論文の概要: UNITAS: A 3D-Native World Action Model for Embodied Manipulation

• arxiv url: http://arxiv.org/abs/2610.12099v1
• Date: Thu, 08 Oct 2026 15:02:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.105076
• Title: UNITAS: A 3D-Native World Action Model for Embodied Manipulation
• Title（参考訳）: UNITAS: 身体操作のための3次元Native World Action Model
• Abstract要約: UNITASは、各インタラクション内の共有メトリック3Dフレーム内の観察、アクション、シーンダイナミクスを統一する最初の3Dネイティブな世界アクションモデルである。 1.7Bパラメータで、UNITASはRoboTwin上で最高のアクション条件のシーン予測を達成する。
• 参考スコア（独自算出の注目度）: 65.5089751130735
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: World action models (WAMs) aim to answer a coupled physical question: given a task instruction, what motion should the robot execute, and how will that motion change the surrounding world? Most existing WAMs build on pretrained video generators and represent world evolution through images or visual latents. Robotic interaction, however, takes place in metric three-dimensional space, while images are view-dependent projections whose pixel distances do not directly encode physical distances. We introduce UNITAS, to our knowledge the first 3D-native world action model that unifies observations, actions, and scene dynamics in a shared metric 3D frame within each interaction, using a common representation across robot embodiments and human hands. Action flow represents human hands and robot grippers as 3D point trajectories, while scene flow describes scene-point displacements conditioned on these trajectories. World-aligned 3D positional embeddings ground visual tokens with or without depth input, and a physical-time trajectory tokenizer encodes each point trajectory as one token anchored at its current 3D position. This interface supports both direct action execution and action-conditioned scene prediction. With 1.7B parameters, UNITAS achieves the best action-conditioned scene prediction on RoboTwin among the compared methods, with up to 49% lower displacement errors than PointWorld, and state-of-the-art manipulation success, including 99.8% on LIBERO and an average of 85% across real-world tasks. The code is available at https://github.com/DexForce/UNITAS.
• Abstract（参考訳）: 世界アクションモデル(WAM)は、タスク命令が与えられた場合、ロボットが実行すべき動きと、その動きが周囲の世界をどのように変化させるかという、結合された物理的疑問に答えることを目的としている。 ほとんどの既存のWAMは、事前訓練されたビデオジェネレータ上に構築され、画像または視覚的潜伏子を通して世界進化を表現する。 しかし、ロボットの相互作用はメートル法的な3次元空間で起こるが、画像は視界に依存した投影であり、画素距離は直接物理的距離を符号化しない。 ロボットの身体と人間の手間で共通の表現を用いて、対話内の共有メトリック3Dフレームにおける観察、行動、シーンのダイナミクスを統一する最初の3Dネイティブな世界行動モデルであるUNITASを紹介した。 アクションフローは人間の手とロボットグリップを3Dポイントの軌跡として表現し、シーンフローはこれらの軌跡に条件付けられたシーンポイントの変位を記述する。 World-aligned 3D positional embeddedss ground visual tokens with or without depth input, and a physical-time trajectory tokenizer encodes each point trajectory as one tokened at its current 3D position。 このインターフェースは、直接アクション実行とアクション条件付きシーン予測の両方をサポートする。 1.7Bのパラメータで、UNITASは比較手法の中で、ポイントワールドよりも最大49%低い変位誤差と、LIBEROの99.8%、現実世界のタスクの平均85%を含む最先端の操作成功で、RoboTwin上で最高のアクション条件のシーン予測を達成している。 コードはhttps://github.com/DexForce/UNITASで公開されている。

関連論文リスト

• PointWAM: 3D World Action Modeling for Dexterous Robotic Manipulation [74.3053660194713]
  ポイントワールドアクションモデル(PointWAM)は,世界をシーン(環境)と手(俳優)に分解する3次元世界アクションモデルである。 PointWAMは、シーンと手が時間とともに3D空間でどのように進化するかを予測する。 色付きの点雲と言語命令を与えられたPointWAMは、シーンと手が時間とともに3D空間でどのように進化するかを予測し、予測ハンドモーションをロボットのアクションに再ターゲットする。
  論文  参考訳（メタデータ） (2026-10-02T05:31:01Z)
• GRAIL: Generating Humanoid Loco-Manipulation from 3D Assets and Video Priors [113.71148915419246]
  GRAILは3Dアセット、シミュレーター対応シーン、およびビデオファンデーションモデル(VFM)の先行データで構成され、物理的環境を再構築したりロボットを遠隔操作したりすることなく対話を合成するデジタル生成パイプラインである。 GRAILは、オブジェクト形状、カメラパラメータ、メートル法スケール、環境深度、ロボットが提案する文字がビデオ生成の前に知られ、再構成中に再利用される、完全に定義された3D構成から始まる。 我々は、回復した動作をヒューマノイドロボットに再ターゲティングし、補完的なタスク・ジェネラル・モルフォロジー・トラッカーを訓練する。 GRAILは、ピックアップ、オブジェクト操作、着座にまたがる2万以上のシーケンスを生成する
  論文  参考訳（メタデータ） (2026-06-03T17:57:45Z)
• PointAction: 3D Points as Universal Action Representations for Robot Control [42.12570897523391]
  本稿では,映像予測をロボット行動にブリッジするフレームワークであるPointActionについて,明示的なポイントベース4Dモデリングにより紹介する。 PointActionは、ロボットシーンにおける最先端の4D生成品質を実現し、シミュレーションにおいて既存のベースラインを上回り、事前トレーニング中に見えない2つの本物のロボットアームに一般化する。
  論文  参考訳（メタデータ） (2026-06-02T17:30:50Z)
• EmbodMocap: In-the-Wild 4D Human-Scene Reconstruction for Embodied Agents [85.77432303199176]
  EmbodMocapは2つの動くiPhoneを使ったポータブルで安価なデータ収集パイプラインである。 私たちのキーとなるアイデアは、二重RGB-Dシーケンスを共同で校正し、人間とシーンの両方を再構築することです。 収集したデータに基づいて、我々は3つの具体的AIタスクを強化した: モノクラーヒューマン・シーン・リコンストラクション(モノクラーヒューマン・シーン・リコンストラクション)、メトリックスケールで世界空間に整合した人間とシーンを出力するフィードフォワードモデル、物理ベースのキャラクターアニメーション。
  論文  参考訳（メタデータ） (2026-02-26T16:53:41Z)
• SceMoS: Scene-Aware 3D Human Motion Synthesis by Planning with Geometry-Grounded Tokens [89.05195827071582]
  SceMoSはシーン対応モーション合成フレームワークである。 軽量な2Dキューを使用して、グローバルプランニングをローカル実行から切り離す。 SceMoSはTRUMANSベンチマークで最先端のモーションリアリズムと接触精度を達成する。
  論文  参考訳（メタデータ） (2026-02-24T02:09:12Z)
• PointWorld: Scaling 3D World Models for In-The-Wild Robotic Manipulation [48.807071017228964]
  我々は,3次元の点流として共有された3次元空間における状態と動作を統一する,大規模な事前学習型3次元世界モデルであるPointWorldを紹介した。 リアルタイム(0.1秒)の推論速度により、PointWorldは、操作のためのモデル予測制御(MPC)フレームワークに効率的に統合できる。 本研究では,実世界のフランカロボットが,物体の剛体押圧,変形,調音操作を行うことのできる1つの事前学習チェックポイントを実証した。
  論文  参考訳（メタデータ） (2026-01-07T10:29:12Z)
• 3D Diffuser Actor: Policy Diffusion with 3D Scene Representations [19.914227905704102]
  3Dロボットポリシーは、1つまたは複数のカメラビューから集約された3Dシーンの特徴表現を使用する。 本稿では,新しい3Dデノナイジング変換器を備えたニューラルポリシーである3Dディフューザー・アクターを提案する。 現在のSOTAよりも18.1%向上したRLBenchに新たな最先端技術が設定されている。 また、いくつかのデモから現実世界のロボットマニピュレータの制御も学んでいる。
  論文  参考訳（メタデータ） (2024-02-16T18:43:02Z)

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。