論文の概要: LoopWAM: Closed-Loop Generalist Policy Improvement from Deployment Rollouts

• arxiv url: http://arxiv.org/abs/2610.18873v2
• Date: Thu, 15 Oct 2026 13:14:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.001816
• Title: LoopWAM: Closed-Loop Generalist Policy Improvement from Deployment Rollouts
• Title（参考訳）: LoopWAM: デプロイロールアウトによるクローズドループのジェネリストポリシーの改善
• Abstract要約: LoopWAMは、現実世界のロールアウトから直接学習するクローズドループの世界アクションモデルである。 音源依存ノイズサンプリングは行動学習と行動条件付き世界モデリングを統合する。 ビデオトークンとアクショントークンは並列denoisingを通じて相互作用し、学習結果がアクション生成を直接通知する。
• 参考スコア（独自算出の注目度）: 56.21252928632393
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Scaling expert demonstrations alone does not enable generalist robot policies to improve from deployment. Real-world rollouts contain successes, suboptimal behavior, and failures: imitating every recorded action can reinforce poor behavior, while filtering out failures discards evidence of physical interactions and their consequences. We introduce LoopWAM, a closed-loop world-action model that learns directly from this full quality spectrum, using rollouts from both itself and other deployed policies. Source-dependent noise sampling unifies behavior learning and action-conditioned world modeling, while quality steering and quality-weighted supervision retain full video supervision across qualities and regulate action imitation. Video and action tokens interact throughout parallel denoising, allowing learned consequences to inform action generation directly. On RoboChallenge Table30-V2, three deployment-and-training rounds raise success from 23.67% to 43.33%, a 19.7-percentage-point gain, with a final score of 56.80. LoopWAM also achieves 94.5% average success on RoboTwin 2.0 and 49.5% overall success on RoboCasa365 without additional embodied pretraining, obtaining the best overall results among the compared methods across all three benchmarks. On challenging shirt folding task, two rounds of deployment-driven improvement after single-task post-training raise success from 13.20% to 55.56%. These results demonstrate closed-loop improvement from mixed-quality experience under both multi-task learning and single-task post-training. Project page: https://loop-wam.github.io/
• Abstract（参考訳）: 専門家によるデモのスケーリングだけでは、一般的なロボットポリシーがデプロイメントから改善されることはない。 実世界のロールアウトには、成功、準最適行動、失敗が含まれており、記録されたすべてのアクションを模倣することは、粗悪な振る舞いを補強し、失敗を除去することは、物理的相互作用とその結果の証拠を捨てる。 クローズドループのワールドアクションモデルであるLoopWAMを紹介します。 ソース依存ノイズサンプリングは、行動学習と行動条件付き世界モデリングを統一する一方、品質ステアリングと品質重み付き監視は、品質にわたって完全なビデオ監視を維持し、アクション模倣を規制する。 ビデオトークンとアクショントークンは並列denoisingを通じて相互作用し、学習結果がアクション生成を直接通知する。 RoboChallenge Table30-V2では、3回の配備・訓練ラウンドが23.67%から43.33%に上昇し、19.7パーセントが上昇し、最終スコアは56.80となった。 LoopWAMはRoboTwin 2.0で94.5%、RoboCasa365で49.5%の平均的な成功を達成している。 シャツの折り畳み作業では、シングルタスク後の2ラウンドの展開駆動改善が13.20%から55.56%に向上した。 これらの結果から,マルチタスク学習とシングルタスクポストトレーニングの両方による混合品質体験のクローズループ改善が示された。 プロジェクトページ: https://loop-wam.github.io/

関連論文リスト

• AutodidactWAM: Cross-Modal Self-Distillation from Generated Video to Robot Actions [2.2935396753701065]
  世界行動モデル(WAM)は、観察と指示から将来のビデオとロボットのアクションを共同で生成する。 クローズドループ実ロボット試験を3段階の累積段階(プレグラス,グリップ,ピック・アンド・プレイス)で評価した。 本稿では,遠隔操作を伴わない手動推定器AutodidactWAMを提案する。
  論文  参考訳（メタデータ） (2026-10-06T10:39:42Z)
• Mulligan: Performance-Guided Data Collection for Efficient On-Robot Learning [49.96968347002295]
  人間のデモから学ぶことは、ロボットに新しいタスクを教えるための信頼できる方法だが、ポリシーが改善するにつれて、追加のデモから得られる利益は減少する。 我々は、高精度な操作タスクにおいて、監督エピソードの固定予算から改善を最大化する方法を問う。 フェールが初期状態の小さなサブセットに集中できることを観察するため、均一なコレクションは、ポリシーがすでに処理している状態にオペレータの時間の大部分を費やします。
  論文  参考訳（メタデータ） (2026-10-05T06:56:13Z)
• EVO-WAM: Evolving World Action Models through Video-Action Verification [51.68210232964847]
  EVO-WAMは、自身の生成したビデオアクション軌跡から学習することで、WAMを見えないタスクに適応するフレームワークである。 コスモス3の平均成功率は20.0%から76.7%に改善され、56.7%となった。
  論文  参考訳（メタデータ） (2026-09-29T17:25:35Z)
• Direct Experience World-Model Optimization: Learning the World Beyond Action Imitation [13.304916656517472]
  World-Action Models (WAM) は、物理的な相互作用がどのように展開されるかを予測するアクション生成を結合する。 WAMのための後処理学習パラダイムであるDirect Experience World-Model Optimization (DEWO)を提案する。
  論文  参考訳（メタデータ） (2026-09-29T12:41:41Z)
• JAMB: Joint Action-Motion Diffusion for Bimanual Manipulation [11.606498014597731]
  両腕の動きは共有された3Dシーンを変更でき、それによってもう一方の腕に影響を及ぼす。 ほとんどの拡散ポリシーは、将来の結果を明示的にモデル化せずにアクションを生成する。 行動と追跡を同時に行うことで、各人は妄想全体を通して情報を伝え、洗練することができる。 我々は,Robonono 2.0における多種多様な双方向操作タスクと実世界のロボットについて評価した。
  論文  参考訳（メタデータ） (2026-09-21T19:11:38Z)
• Stable and Efficient Real-World Online VLA Post-Training via Asynchronous Replay-Anchored Policy Improvement [60.83624556700821]
  本稿では,リプレイ動作における批評家とアクターの更新の両方を基盤として,ロールアウトと学習を同時に行うフレームワークを提案する。 RAPolicyを4つのシングルタスク設定と1つのジョイント5タスク設定で実世界で評価し,オンライントレーニングの予算は1～2時間に過ぎなかった。
  論文  参考訳（メタデータ） (2026-09-19T08:45:18Z)
• GE-Act 2.0: Pretraining and Scaling a World-Action Model for Robotic Manipulation [63.853929983870955]
  本稿では,ジェニー・エンスペクタ法 2.0 (GE-Act 2.0) について紹介する。 制御指向オートエンコーダ(CoAE)、ワンステップビジュアルプランナー(SVP)、逆ダイナミクスモデル(IDM)を組み合わせている。 それらのコンポーネントは、知識に整合した選択最適化(KASO)で共同で訓練され、記録された行動に適合していると判断された予測された未来のみを選択することで、ミスマッチした監視を減らす。
  論文  参考訳（メタデータ） (2026-09-04T17:16:48Z)
• Global Prior Meets Local Consistency: Dual-Memory Augmented Vision-Language-Action Model for Efficient Robotic Manipulation [95.89924101984566]
  GPM(Global Prior Memory)とLCM(Local Consistency Memory)を備えたデュアルメモリVLAフレームワークOptimusVLAを紹介する。 GPMはガウスノイズを意味論的に類似した軌道から取得したタスクレベルの先行値に置き換える。 LCMは、時間的コヒーレンスと軌道の滑らかさを強制する学習された一貫性制約を注入する。
  論文  参考訳（メタデータ） (2026-02-22T15:39:34Z)

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。