論文の概要: WAVE-0: Bridging VLA Policies and WAMs with Lightweight Latent Future Prediction

• arxiv url: http://arxiv.org/abs/2610.18568v1
• Date: Tue, 13 Oct 2026 15:37:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 20:38:17.275562
• Title: WAVE-0: Bridging VLA Policies and WAMs with Lightweight Latent Future Prediction
• Title（参考訳）: WAVE-0:軽量遅延予測によるVLA政策とWAM
• Abstract要約: ビジョン言語アクション(VLA)ポリシーは、一般的なロボット操作において優れているが、環境効果を明示的にモデル化せずにアクションを生成する。 WAVE-0は、VLAとWAMを軽量な潜在世界モデルでブリッジするフレームワークである。 WAVE-0はRoboTwin 2.0で91.47%、LIBEROで98.7%、LIBERO-Plus, LIBERO-Pro, LIBERO-Paraで88.0%、61.4%、75.0%である。
• 参考スコア（独自算出の注目度）: 16.107595216190614
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Vision-language-action (VLA) policies excel at generalist robotic manipulation but generate actions without explicitly modeling their environmental consequences. World action models (WAMs) incorporate future prediction, yet most rely on costly video generation, while latent alternatives either use predicted futures only as auxiliary targets or infer latent actions from suboptimal visual transitions through costly large-scale video pretraining. We introduce WAVE-0 (World-model-Augmented VLA Execution), a framework that bridges VLAs and WAMs through a lightweight latent world model. By connecting the semantic understanding of pretrained VLAs with explicit future prediction, WAVE-0 allows anticipated action consequences to directly guide action generation. Built on a pretrained VLA, its 257M world model translates VLM-generated latent action plans into predicted future representations that condition the action expert, unifying latent planning, future prediction, and action generation. The world model is trained directly on ground-truth robot actions with a counterfactual ranking objective, requiring neither pixel reconstruction nor large-scale video pretraining. WAVE-0 achieves success rates of 91.47% on RoboTwin 2.0 and 98.7% on LIBERO, along with 88.0%, 61.4%, and 75.0% on LIBERO-Plus, LIBERO-Pro, and LIBERO-Para, respectively. On real-world tasks, it improves the success rate of $π_{0.5}$ from 38.3% to 73.3%. These results demonstrate strong manipulation performance and generalization across diverse distribution shifts.
• Abstract（参考訳）: ビジョン言語アクション(VLA)ポリシーは、一般的なロボット操作において優れているが、環境効果を明示的にモデル化せずにアクションを生成する。 World Action Model (WAM) は将来の予測を取り入れているが、たいていはコストのかかるビデオ生成に依存している。 本稿では, WAVE-0 (World-model-Augmented VLA Execution) を紹介する。 事前訓練されたVLAのセマンティック理解と明確な将来予測を結びつけることで、WAVE-0はアクション生成を直接導くために期待されるアクション結果を可能にする。 事前訓練されたVLA上に構築された2億7700万の世界モデルでは、VLMが生成した潜在アクションプランを、アクションエキスパートを条件付け、潜在計画の統合、将来の予測、行動生成といった将来的な表現に変換する。 ワールドモデルは、対実的なランク付けを目的とし、画素再構成や大規模ビデオ事前訓練を必要としない、地道なロボット行動に基づいて直接訓練される。 WAVE-0はRoboTwin 2.0では91.47%、LIBEROでは98.7%、LIBERO-Plusでは88.0%、61.4%、LIBERO-Paraでは75.0%である。 実世界のタスクでは、π_{0.5}$38.3%から73.3%に改善される。 これらの結果は,多種多様な分布シフトにまたがる強力な操作性能と一般化を示す。

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)
• 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)
• Beyond Data Scaling: Representation-Centric Continued Pre-training for Vision-Language-Action Models [120.24139942108405]
  ロボットデータのスケーリングは、一般のVision-Language-Action(VLA)モデルを構築する上で重要である。 固定されたロボットデータ予算の下では、継続した事前訓練は限られた軌道を伝達可能な視覚行動知識に変換する必要がある。 本稿では,VLA指向のVLMバックボーンであるVLActを提案する。
  論文  参考訳（メタデータ） (2026-08-27T17:59:40Z)
• LaWAM: Latent World Action Models for Efficient Dynamics-Aware Robot Policies [31.88655699486955]
  ラワント・アクション条件付きラワント・ワールドモデル(LaWM)を提案する。 LaWAMは、将来のビデオの再構成ではなく、コンパクトで潜伏した視覚サブゴールを通じて、ロボットポリシーに対する予測ダイナミクスを公開する。 LaWAMはアクションチャンク予測あたり187msで動作し、画素空間のWAMよりも最大24倍の遅延時間を実現する。
  論文  参考訳（メタデータ） (2026-06-14T12:06:58Z)
• GEAR-VLA: Learning Geometry-Aware Action Representations for Generalizable Robotic Manipulation [49.16739604572808]
  VLA(Vision-Language-Action)モデルは、強力なベンチマークパフォーマンスを実現するが、目に見えないオブジェクトによる現実世界のデプロイに苦労する。 これは、統合幾何認識の操作表現が欠如していることに起因していると我々は主張する。 一般化可能なロボット操作のための統合幾何認識行動表現を学習するためのVLAフレームワークであるGEAR-VLAを提案する。
  論文  参考訳（メタデータ） (2026-06-07T09:23:16Z)
• Grounded World Model for Semantically Generalizable Planning [94.53923128709965]
  我々は、視覚言語対応の潜在空間において、グラウンドドワールドモデル(GWM)を学習する。 提案された各アクションは、タスク命令に対する将来の結果がどの程度近いかに基づいてスコアされる。 提案したWISERベンチマークでは、GWM-MPCはテストセットで87%の成功率を達成した。
  論文  参考訳（メタデータ） (2026-04-13T17:25:41Z)
• Do World Action Models Generalize Better than VLAs? A Robustness Study [25.418384276142223]
  視覚言語アクション(VLA)は、様々なロボットタスクで顕著な成功を収めた。 世界行動モデル(WAM)は、将来の状態を予測するために大量のビデオデータに基づいて訓練された世界モデルに基づいて構築される。 LIBERO-Plus と RoboTwin 2.0-Plus のベンチマークにおいて,様々な視覚的・言語的摂動による性能評価を行った。
  論文  参考訳（メタデータ） (2026-03-23T15:13:15Z)
• 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)

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。