論文の概要: UniLAP: A Unified Latent Action Policy for Cross-Embodiment Manipulation
- arxiv url: http://arxiv.org/abs/2610.16969v1
- Date: Mon, 12 Oct 2026 15:33:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-18 04:00:16.151305
- Title: UniLAP: A Unified Latent Action Policy for Cross-Embodiment Manipulation
- Title（参考訳）: UniLAP: クロス・エボディメント・マニピュレーションのための統一された潜在アクション・ポリシー
- Abstract要約: Latent Action Models (LAMs) はアクションフリービデオから操作先をキャプチャできるが、個別のLatentはボトルネックとなる。
フローマッチングにより潜在空間をモデル化する統一型連続潜時動作ポリシーであるUniLAPを導入する。
UniLAPは最先端の潜在アクションとビジョンランゲージ・アクション(VLA)ベースラインを、ハンドポーズ予測、シングルアームとヒューマノイド操作、実世界展開で上回る。
- 参考スコア（独自算出の注目度）: 34.37615295054896
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Latent Action Models (LAMs) can capture manipulation priors from action-free videos, but discrete latents usually impose a granularity bottleneck, limiting their ability to represent fine-grained action. Recent continuous alternatives mitigate this, but they are typically used as proxies for world modeling and require a further planning step to produce executable actions. We thus introduce UniLAP, a unified continuous latent-action policy that models the latent space via flow matching and bypasses reliance on future frames during inference. By distilling a LAM teacher with a flow-adaptive objective, UniLAP inherits the teacher's action representation while retaining the multimodal distribution of feasible behaviors. To decouple latent representations from task-irrelevant appearance, we extract a label-free motion target to isolate relevant kinematic cues from spurious visual dynamics. With the established embodiment-agnostic latent manifold, UniLAP can be easily adapted to novel platforms. Pretrained on multi-source videos at a compact 1.1B parameter scale, UniLAP outperforms state-of-the-art latent-action and Vision-Language-Action (VLA) baselines across hand pose forecasting, single-arm and humanoid manipulation, and real-world deployment.
- Abstract（参考訳）: ラテントアクションモデル(LAM)は、アクションフリービデオから操作先をキャプチャすることができるが、離散ラテントは通常、粒度のボトルネックを課し、きめ細かいアクションを表現する能力を制限する。
近年の連続的な代替手段は、これを緩和するが、一般的には世界モデリングのプロキシとして使われ、実行可能なアクションを生成するためのさらなる計画ステップを必要とする。
したがって、UniLAPは、フローマッチングによって潜在空間をモデル化し、推論中に将来のフレームに依存するような統合された連続潜在行動ポリシーである。
フロー適応目的のLAM教師を蒸留することにより、UniLAPは教師の行動表現を継承し、実行可能な行動のマルチモーダル分布を保持する。
タスク非関連外見から潜伏表現を分離するために,ラベルのない運動目標を抽出し,刺激的な視覚力学から関係キネマティックな手がかりを抽出する。
確立されたエンボディメントに依存しない潜在多様体により、UniLAPは新規なプラットフォームに容易に適応できる。
コンパクトな1.1Bパラメータスケールでのマルチソースビデオに事前トレーニングされたUniLAPは、手動ポーズ予測、シングルアームとヒューマノイド操作、実世界の展開において、最先端の潜在アクションとビジョンランゲージ・アクション(VLA)ベースラインを上回っている。
関連論文リスト
- Latent evolving World Action Model [58.32634534358966]
世界行動モデル(WAM)における視覚的表現が行動生成に与える影響について検討する。
本稿では,JEPA埋め込みにおけるアクション生成を条件としたLeWAMを提案する。
LeWAMはRoboTwin 2.0の平均成功率は92.28%であり、最先端のVLAやWAMに匹敵する。
論文 参考訳（メタデータ） (2026-09-23T07:22:43Z) - SLIM-0.5B: Learning Action-Grounded Predictive Latents for Robot Manipulation [35.54319311306262]
SLIM はコンパクトな潜在相互作用ポリシーである。
自己教師付きマスク付き軌道予測を通じて表現を学習する。
SLIMは、より少ないパラメータで、大規模なVLAとワールドアクションモデルベースラインとを一致または超える。
論文 参考訳（メタデータ） (2026-08-10T15:58:39Z) - CLAW: Learning Continuous Latent Action World Models via Adversarial Latent Regularization [15.232107188163747]
CLAWは、アクションフリーのビデオから直接、連続的な潜在アクション表現と協調して世界モデルを学ぶためのフレームワークである。
得られた潜在行動世界モデルが,観察から得られた模倣学習と目標指向計画の両方をサポートすることを示す。
論文 参考訳（メタデータ） (2026-06-02T18:40:24Z) - DiLA: Disentangled Latent Action World Models [11.259992289079534]
ラテントアクションモデル(LAM)は、ラベルのないビデオから世界モデルの学習を可能にする。
LAMは、アクション抽象化とジェネレーションフィリティの根本的なトレードオフに直面します。
コンテンツ構造不整合(contentanglement)を通じてこのトレードオフを解決することを目的とした,新しいディスタングル・ラテント・アクション・ワールド・モデルであるDiLAを紹介する。
論文 参考訳（メタデータ） (2026-05-15T08:22:37Z) - From Pixels to Tokens: A Systematic Study of Latent Action Supervision for Vision-Language-Action Models [14.109112325287208]
本研究は,2つの視点から潜時行動監視に関する研究である。 (i) 画像に基づく潜時行動による軌道の規則化, (ii) 行動に基づく潜時行動による目標空間の統一である。
以上の結果より, 動作に基づく潜在動作は複雑な運動調整において優れるが, 定式化タスク対応は明らかである。
論文 参考訳（メタデータ） (2026-05-06T09:27:07Z) - CLAP: Contrastive Latent Action Pretraining for Learning Vision-Language-Action Models from Human Videos [73.51386721543135]
本稿では,映像から視覚的潜伏空間をロボット軌道から受容的潜伏空間に整列させるフレームワークであるContrastive Latent Action Pretraining (CLAP)を提案する。
CLAPは、ビデオの遷移を量子化され、物理的に実行可能なコードブックにマッピングする。
本稿では,命令追従やオブジェクトの一般化に優れた自己回帰モデルであるCLAP-NTPと,高頻度かつ高精度な操作のために設計されたRectified FlowベースのポリシーであるCLAP-RFの両方を提供する二重形式VLAフレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-07T16:26:33Z) - Latent Diffusion Planning for Imitation Learning [78.56207566743154]
Latent Diffusion Planning (LDP) は、プランナーと逆ダイナミクスモデルからなるモジュラーアプローチである。
行動予測からプランニングを分離することにより、LDPは最適なデータと行動自由データのより密集した監視信号の恩恵を受けることができる。
シミュレーションされた視覚ロボット操作タスクにおいて、LDPは最先端の模倣学習アプローチより優れている。
論文 参考訳（メタデータ） (2025-04-23T17:53:34Z) - HybridVLA: Collaborative Diffusion and Autoregression in a Unified Vision-Language-Action Model [54.64088247291416]
操作ポリシー設計の基本的な目的は、ロボットに人間の指示を理解し、シーンの手がかりを推論し、動的な環境で一般化されたアクションを実行することである。
近年の自己回帰的視覚言語行動(VLA)法は、視覚言語モデル(VLM)から常識推論能力を継承し、次の行動予測を行う。
拡散に基づく行動の連続的な性質と自己回帰の文脈的推論を吸収する統合フレームワークであるHybridVLAを紹介する。
論文 参考訳（メタデータ） (2025-03-13T17:59:52Z) - Navigating Motion Agents in Dynamic and Cluttered Environments through LLM Reasoning [69.5875073447454]
本稿では,大規模言語モデル(LLM)によって強化された動作エージェントを,動的・乱雑な環境における自律的なナビゲーションに向けて前進させる。
トレーニング不要なフレームワークは、マルチエージェント調整、クローズドループ計画、動的障害物回避を、リトレーニングや微調整なしでサポートしています。
論文 参考訳（メタデータ） (2025-03-10T13:39:09Z)
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。