論文の概要: Evo-World: A Lightweight Vision-Language-Action Model with Future Motion Prediction via Optical-Flow Supervision
- arxiv url: http://arxiv.org/abs/2610.12936v1
- Date: Fri, 09 Oct 2026 03:38:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-13 04:06:29.373924
- Title: Evo-World: A Lightweight Vision-Language-Action Model with Future Motion Prediction via Optical-Flow Supervision
- Title（参考訳）: Evo-World:光フロー・スーパービジョンによる将来の動き予測を備えた軽量ビジョンランゲージ・アクションモデル
- Abstract要約: 視覚言語アクション(VLA)モデルは、視覚的理解、言語接地、ロボット制御のための統一されたフレームワークを提供する。
Evo-Worldは軽量なVLAモデルで、光フローの監督を通じて、将来の動きを予測することでポリシー学習を強化する。
シミュレーションベンチマークを通じて、Evo-Worldは高いパフォーマンスを示し、平均的な成功率91.1%を達成した。
- 参考スコア（独自算出の注目度）: 11.019186257247826
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Vision-language-action (VLA) models provide a unified framework for visual understanding, language grounding, and robot control, yet anticipating how the scene will evolve beyond the current observation can provide additional information for control. Action supervision alone does not explicitly encourage such anticipation, while future-image prediction entangles task-relevant motion with largely static appearance. To address these limitations, we introduce Evo-World, a lightweight VLA model that augments policy learning with future motion prediction through optical-flow supervision, thereby providing a task-relevant predictive signal focused on motion rather than appearance. We further design the training procedure to preserve these predictive representations during policy learning, regulating representation diversity while decoupling representation learning from action optimization. Across simulation benchmarks, Evo-World demonstrates strong performance, achieving a tier-averaged success rate of 91.1% on Meta-World MT50 , with a 13.0% relative improvement over the non-predictive baseline. On real-world AgileX robots, Evo-World outperforms the evaluated baselines across single-arm and bimanual manipulation tasks while using only 0.87B parameters and delivering lower GPU memory usage and higher inference efficiency. These results demonstrate that future motion prediction through optical-flow supervision provides an effective and lightweight approach to enhancing the predictive capabilities of VLA models.
- Abstract（参考訳）: 視覚言語アクション(VLA)モデルは、視覚的理解、言語接地、ロボット制御のための統一されたフレームワークを提供するが、現在の観察を超えてシーンがどのように進化するかは、制御のための追加情報を提供する。
行動監督だけではそのような予測を明示的に促さないが、将来のイメージ予測はタスク関連の動きをほとんど静的な外観で絡み合わせる。
これらの制約に対処するため,我々は,光フロー制御による将来的な動作予測によるポリシー学習を強化する軽量なVLAモデルであるEvo-Worldを導入し,外観よりも動作に着目したタスク関連予測信号を提供する。
さらに、政策学習中にこれらの予測表現を保存し、表現の多様性を規制し、行動最適化から表現学習を分離する訓練手順を設計する。
シミュレーションベンチマークを通じて、Evo-WorldはMeta-World MT50で平均91.1%の成功率を達成し、非予測ベースラインよりも13.0%改善した。
現実世界のAgileXロボットでは、Evo-Worldが評価されたベースラインを、シングルアームおよびバイマン操作タスクで上回り、わずか0.87Bパラメータを使用し、GPUメモリ使用率の低下と推論効率の向上を実現している。
これらの結果は,VLAモデルの予測能力を高めるために,光フロー監視による将来の動き予測が効果的かつ軽量なアプローチを提供することを示した。
関連論文リスト
- Forward Dynamics Models [85.83989159271482]
我々は、アクションと将来の世界状態を予測するロボットアクションモデルのファミリーであるフォワード・ダイナミクス・モデル(FDM)を提示する。
将来の予測は行動の特徴に則っているが、逆ではない。エンドツーエンドのトレーニングは、将来的な国家が政策を監督する。
シミュレーションおよび実ロボットを用いた実験により、両背骨のFDMの有効性が示された。
論文 参考訳（メタデータ） (2026-10-09T07:12:16Z) - SLIP-VLA: Single-Step Latent Imagination for Policy Learning in Vision-Language-Action Models [16.7490265550198]
SLIP-VLAは,将来的な行動予測のための単一ステップ遅延ImaginationをVLAモデルに装備する政策学習フレームワークである。
SLIP-VLAは様々なシミュレーションベンチマークや実世界の操作タスクにまたがって最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2026-09-27T13:53:29Z) - MoWAM: Explicit Future Motion Prediction for Efficient World Action Models [38.28877145670457]
MoWAMは、将来の動画生成を明示的な将来の動き予測に置き換える効率的なWAMである。
Mixture-of-Transformerアーキテクチャは、動作と動作を共同で予測しながら、トレーニング中の将来の視覚力学を学習する。
LIBERO, LIBERO-Plus, および実世界の操作タスクの実験により, MoWAMは, 配電性能が向上し, 配電安定性が向上し, より平均的な実世界の成功が得られた。
論文 参考訳（メタデータ） (2026-09-17T17:07:00Z) - Drive-HWM: Hierarchical World Models for Dynamic-Latent Guided Autonomous Driving [78.83165764484562]
Drive-HWMは階層的なスローファーストな世界モデリングフレームワークで、将来の表現予測とアクション生成を補完的な時間スケールで構成する。
次のフレーム予測では、高速モデルが差し迫ったシーンの進化を捉え、一方1ステップのアクション生成は、新しい観察が到着すると、決定を継続的に更新することを可能にする。
論文 参考訳（メタデータ） (2026-09-03T09:21:19Z) - Foresight Without Seeing: Latent Futures for World Action Models [31.423405133926334]
本稿では,動的条件付き直接政治WAMであるForeWAMを提案する。
また、凍結した潜伏行動教師が指導するダイナミクスを導入し、物体の動きや接触変化、タスクの進行といった相互作用によって引き起こされる遷移を、暗黙の未来の状態が捉えることを奨励する。
ロボットデータの事前トレーニングがなければ、ForeWAMの標準版と加速版は平均96.7%、LIBEROは96.9%である。
論文 参考訳（メタデータ） (2026-08-12T03:27:43Z) - DIAL: Decoupling Intent and Action via Latent World Modeling for End-to-End VLA [72.9197085473598]
DIALはハイレベルな意思決定と低レベルなモーター実行を、差別化可能な潜在意図ボトルネックを通じてブリッジするフレームワークである。
VLMベースのSystem-2は、VLMのネイティブな特徴空間内で、潜伏した視覚的フォレストによって潜伏世界モデリングを行う。
軽量のSystem-1ポリシーでは、この予測された意図と現在の観測結果を正確にロボットの動作にデコードする。
論文 参考訳（メタデータ） (2026-03-31T15:02:27Z) - 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) - Self-Correcting VLA: Online Action Refinement via Sparse World Imagination [55.982504915794514]
本稿では, 自己補正VLA (SC-VLA) を提案する。
SC-VLAは最先端のパフォーマンスを達成し、最高タスクスループットを16%削減し、最高パフォーマンスのベースラインよりも9%高い成功率を得る。
論文 参考訳（メタデータ） (2026-02-25T06:58:06Z) - ActDistill: General Action-Guided Self-Derived Distillation for Efficient Vision-Language-Action Models [14.202025149504715]
本稿では,既存のVLAモデルの動作予測機能を軽量モデルに転送するフレームワークであるActDistillを提案する。
我々は教師としてよく訓練されたVLAモデルを採用し、グラフ構造化カプセル化戦略を導入し、行動予測の階層的進化を明示的にモデル化する。
具現化されたベンチマークの実験では、ActDistillはフルスケールのVLAモデルと同等または優れた性能を達成し、計算を最大1.67倍のスピードアップで50%以上削減した。
論文 参考訳（メタデータ） (2025-11-22T14:44:03Z) - Evo-1: Lightweight Vision-Language-Action Model with Preserved Semantic Alignment [13.582337741042773]
VLA(Vision-Language-Action)モデルは、知覚、言語、制御を統一し、ロボットがマルチモーダル理解を通じて多様なタスクを実行できる強力なフレームワークとして登場した。
現行のVLAモデルは一般に大量のパラメータを含んでおり、大規模なロボットデータの事前トレーニングに大きく依存しているため、トレーニング中に高い計算コストがかかり、リアルタイム推論へのデプロイが制限される。
本稿では,ロボットデータを事前学習することなく高い性能を維持しつつ,計算を削減し,デプロイメント効率を向上させる軽量VLAモデルであるEvo-1を提案する。
論文 参考訳（メタデータ） (2025-11-06T17:07:49Z)
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。