論文の概要: StreamingWAM: Streaming World Action Modeling via Chunk-Wise Staircase Flow Matching
- arxiv url: http://arxiv.org/abs/2610.15585v1
- Date: Sun, 11 Oct 2026 12:56:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-19 17:45:44.954537
- Title: StreamingWAM: Streaming World Action Modeling via Chunk-Wise Staircase Flow Matching
- Title（参考訳）: StreamingWAM: Chunk-Wise Staircase Flow Matchingによるストリーミングワールドアクションモデリング
- Abstract要約: StreamingWAMは、WAMベースのロボット制御のためのストリーミング拡散フレームワークである。
LIBERO、LIBERO-Plus、RoboTwin 2.0、および実世界のロボットタスクの実験は、StreamingWAMが静的および動的設定におけるアクション継続性を改善することを示した。
- 参考スコア（独自算出の注目度）: 21.562174256474137
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: World Action Models (WAMs), often built upon pretrained video-generation world models, have emerged as a promising framework for general-purpose and open-ended robot control. However, their real-world deployment often suffers from discontinuous and jerky execution. Existing methods typically address this issue by either improving inference efficiency or enhancing action continuity across prediction chunks, without jointly addressing both challenges. To bridge this gap, we propose StreamingWAM, a streaming-diffusion framework for WAM-based robot control. StreamingWAM combines a noise ladder for chunk-wise action prediction, a prefix rollout module for cross-chunk continuity, and dense video-history memory for temporally consistent conditioning. Experiments on LIBERO, LIBERO-Plus, RoboTwin 2.0, and real-world robotic tasks demonstrate that StreamingWAM improves action continuity across static and dynamic settings, achieving competitive performance while reducing steady-state replanning latency to 72.9 ms in simulation and 57.3 ms on the real robot. The method also produces smoother action transitions, while the streaming staircase reduces sensitivity to the execution horizon K.
- Abstract（参考訳）: World Action Models (WAM) は、しばしば事前訓練されたビデオ生成の世界モデルに基づいて構築され、汎用的でオープンなロボット制御のための有望なフレームワークとして登場した。
しかし、現実のデプロイメントは、しばしば不連続で不安定な実行に悩まされる。
既存の手法では、両方の課題に共同で対処することなく、推論効率の向上や予測チャンク間のアクション継続性の向上によってこの問題に対処するのが一般的である。
このギャップを埋めるために、WAMベースのロボット制御のためのストリーミング拡散フレームワークStreamingWAMを提案する。
StreamingWAMは、チャンクワイドアクション予測のためのノイズラグ、クロスチャンク連続性のためのプレフィックスロールアウトモジュール、時間的に一貫した条件付けのための高密度ビデオ履歴メモリを組み合わせる。
LIBERO、LIBERO-Plus、RoboTwin 2.0、および実世界のロボットタスクの実験では、StreamingWAMは静的および動的設定におけるアクション継続性を向上し、安定した状態の再計画遅延を72.9ms、実際のロボット上で57.3msに削減し、競争性能を達成している。
また、ストリーミング階段は、実行地平線Kに対する感度を低下させる一方、よりスムーズな動作遷移を生じさせる。
関連論文リスト
- Streaming-WAM: Action-Conditioned World-Action Model for Asynchronous Robot Manipulation [21.031571063193546]
Streaming-WAMは、非同期ロボット制御によるアクション条件付き世界モデリングを結合して、将来の視覚的予測におけるコミットアクションを考慮した。
現実世界のスタンプペーパータスクでは、平均エピソード時間は、同期ジョイントWAMで90秒からストリーミングWAMで38秒に減少する。
論文 参考訳（メタデータ） (2026-09-24T02:19:21Z) - StreamPI: Streaming Multimodal Temporal Modeling for Vision-Language-Action Models [84.17128030384099]
StreamPIはストリーミングマルチモーダル時間モデリングフレームワークである。
追加パラメータを導入することなく、単一フレームのVLAに時間的推論能力を持たせる。
メモリ依存および正確な認識シナリオにまたがる実ロボットタスクの実験とシミュレーションベンチマークのLIBEROは、StreamPIが様々なタスクでpi0.5より優れていることを示した。
論文 参考訳（メタデータ） (2026-08-26T17:33:19Z) - FBFM: A Training-Free Asynchronous Feedback Mechanism for Flow-Matching in World-Action Models Execution [50.18922379062543]
フィードバックフローマッチング(Feedback Flow Matching, FBFM)は、アクティブに生成されたチャンク内で再接地を行うトレーニング不要な推論機構である。
トレーニング不要であるため、このメカニズムは予期せぬ事象に対する応答性を改善し、長時間の作業におけるドリフトを抑制する。
我々は,FBFMを第2世代WAMと第2世代WAMの両方で評価した。
論文 参考訳（メタデータ） (2026-07-31T10:11:09Z) - GigaWorld-Policy-0.5: A Faster and Stronger WAM Empowered by AutoResearch [66.7936140772745]
本稿では,より効率的なロボット制御を目的としたアクション中心型WAMであるGigaWorld-Policy-0.5を紹介する。
効率的な推論のために、GigaWorld-Policy-0.5はMixture-of-Transformersアーキテクチャを導入している。
GigaWorld-Policy-0.5は,ロボット制御の推論効率を向上しつつ,将来の視覚力学のトレーニング効果を保っている。
論文 参考訳（メタデータ） (2026-07-15T15:46:42Z) - ABot-M0.5: Unified Mobility-and-Manipulation World Action Model [27.262271208923995]
ABot-M0.5は、モバイル操作には時間的粒度、アクションスペース、列車-テスト整合性の3段階のアライメントが必要であるという洞察に基づいて構築されている。
モバイルおよびきめ細かい操作ベンチマークの実験により、ABot-M0.5は、長距離タスクの成功ときめ細かい制御精度の両方において最先端の性能を達成することが示された。
論文 参考訳（メタデータ） (2026-07-01T09:21:20Z) - From Imagined Futures to Executable Actions: Mixture of Latent Actions for Robot Manipulation [88.39072412680633]
将来の映像を実行可能な表現に変換する制御指向インタフェースであるMoLAを提案する。
我々は,シミュレーションベンチマークと実世界のロボット操作タスクに対するアプローチを評価した。
論文 参考訳（メタデータ） (2026-05-12T14:15:16Z) - ActionPlan: Future-Aware Streaming Motion Synthesis via Frame-Level Action Planning [32.581163427518185]
ActionPlanは、単一のモデル内で高品質なオフライン生成でリアルタイムストリーミングをブリッジする。
リアルタイムストリーミングは5.25倍高速であり, 従来の手法に比べて18%の動作品質向上を実現している。
論文 参考訳（メタデータ） (2026-03-13T18:24:32Z) - VLA-RAIL: A Real-Time Asynchronous Inference Linker for VLA Models and Robots [5.308743386891208]
VLA(Vision-Language-Action)モデルは、ロボット工学において画期的な進歩を遂げた。
連続したアクションチャンクのキューを融合する戦略は、VLAモデル全体のパフォーマンスに大きな影響を与える。
既存の方法は、ロボットアクションの実行時にジッタ、ストール、あるいは停止に悩まされる。
本稿では,モデル推論とロボット動作制御を非同期に行うように設計された新しいフレームワークであるVLA-RAILを紹介する。
論文 参考訳（メタデータ） (2025-12-31T06:59:42Z)
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。