論文の概要: Atomic-WAM: Execution-Grounded Atomic-Motion Reasoning for World Action Models

• arxiv url: http://arxiv.org/abs/2610.20157v1
• Date: Wed, 14 Oct 2026 13:13:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.166532
• Title: Atomic-WAM: Execution-Grounded Atomic-Motion Reasoning for World Action Models
• Title（参考訳）: 原子-WAM:世界行動モデルのための実行周辺原子運動推論
• Abstract要約: タスク推論とアクション生成を,原子運動記述を通じて結合するフレームワークであるAtomic-WAMを紹介する。 視覚言語推論器は、タスク命令と視覚コンテキストから次のローカル動作を記述し、将来のビデオとアクションチャンクを予測するためにWAMを誘導する。 Atomic-WAMはデフォルト命令で39.6%のタスク成功、曖昧な命令で31.6%のタスク成功を達成した。
• 参考スコア（独自算出の注目度）: 42.635356645717344
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: World Action Models (WAMs) typically adapt video foundation models to robotic control through joint video and action prediction. However, task-level instructions may leave the next physical interaction underspecified, requiring semantic grounding and state-dependent motion selection. To this end, we introduce Atomic-WAM, an understand-then-execute framework that connects task reasoning to action generation through atomic-motion descriptions. Specifically, a vision-language reasoner describes the next local motion from the task instruction and visual context, guiding a WAM to predict future video and an action chunk. Furthermore, an automatic annotation pipeline curates temporally aligned, contact-enriched supervision from multi-view DROID demonstrations. To make atomic-motion predictions executable by the WAM, we post-train the reasoner with Execution-Grounded GRPO (EG-GRPO). With the WAM fixed, EG-GRPO adapts the reasoner through rewards for motion appropriateness and execution success. Finally, Atomic-WAM achieves 39.6% task success under default instructions and 31.6% under vague instructions in a real-to-sim evaluation on RoboLab. Project page: https://ssj9596.github.io/Atomic-WAM-project
• Abstract（参考訳）: World Action Models (WAM) は、通常、ビデオ基礎モデルとロボット制御を、ジョイントビデオとアクション予測を通じて適用する。 しかし、タスクレベルの命令は次の物理的相互作用を過小評価し、セマンティックグラウンドと状態に依存した動作選択を必要とする。 この目的のために,タスク推論とアクション生成をアトミックモーション記述を通じて接続する,理解・実行型フレームワークであるAtomic-WAMを導入する。 具体的には、視覚言語推論器は、タスク命令と視覚コンテキストから次のローカル動作を記述し、WAMを誘導して将来のビデオとアクションチャンクを予測する。 さらに、自動アノテーションパイプラインは、マルチビューDROIDデモから、時間的に整列されたコンタクト強化された監視をキュレートする。 原子運動予測をWAMで実行可能にするために, 実行周囲のGRPO (EG-GRPO) を用いた推論器をポストトレーニングする。 WAMを固定すると、EG-GRPOは動きの適切さと実行の成功に対する報酬を通じて推論に適応する。 最後に、Atomic-WAMはデフォルト命令で39.6%、曖昧な命令で31.6%のタスク成功を達成した。 プロジェクトページ:https://ssj9596.github.io/Atomic-WAM-project

関連論文リスト

• Proactive Physical AI through Continuous Observation and Timely Intervention [67.51229925917208]
  ProAgentは2つのコンポーネントを中心に構築されたエンドツーエンドシステムである。 Jevスタイルのプロアクティブタイミングモデルは、介入が必要かどうかを判断する。 Response Modelは、人に対するレスポンスを生成したり、物理的実行のために利用可能なデバイス機能を呼び出す。
  論文  参考訳（メタデータ） (2026-10-12T15:33:34Z)
• WorldGuide: Goal-Directed Video World Model for Procedural Task Execution [72.44464069390854]
  視覚空間における閉ループタスク実行としての手続き型ビデオ生成の定式化 WorldGuideはアトミックアクションを予測し、対応するビデオクリップを生成し、生成された結果を使用して次のアクションを選択したり、終了したりする。 WorldGuideはtextbfWorldGuide-Benchで33.33%のタスク成功を達成したが、最近の強力なビデオモデルMiniMax-H3では29.90%だった。
  論文  参考訳（メタデータ） (2026-10-08T17:59:31Z)
• HWAM: Humanoid World Action Model With Joint State--Action Generation [11.282668191369908]
  階層型ヒューマノイドシステムでは、ポリシーはその後、全身制御、ロボットダイナミクス、バランス、接触を通じて実現される参照アクションを出力する。 この階層は、アクション・エグゼクティブ・ギャップを生じさせ、ポリシーによって生成された参照は、ロボットによって実現された動きとは異なる可能性がある。 本研究では,ヒューマノイド世界行動モデルであるHWAMを提案する。
  論文  参考訳（メタデータ） (2026-10-08T14:23:18Z)
• DSWAM: A Dual-System World Action Foundation Model for Fine-Grained Robot Manipulation [14.193285862278913]
  World Action Models (WAMs) は、VLA(Vision-Language-Action) ポリシーに代わる有望な代替手段を提供する。 既存のWAMは、物理的に基盤化された実行では優れているが、言語レベルの明確な計画インターフェースが欠如している。 DSWAM(Dual-System World Action Foundation Model)を紹介する。
  論文  参考訳（メタデータ） (2026-07-06T10:57:01Z)
• RoboAct-CLIP: Video-Driven Pre-training of Atomic Action Understanding for Robotics [22.007302996282085]
  本稿では,コントラスト言語-画像事前学習(CLIP)アーキテクチャに基づく時間分解微調整戦略を提案する。 シミュレーション環境での結果は,RoboAct-CLIP事前学習モデルがベースラインのビジュアル言語モデルよりも12%高い成功率を達成することを示す。
  論文  参考訳（メタデータ） (2025-04-02T19:02:08Z)
• Optimus-2: Multimodal Minecraft Agent with Goal-Observation-Action Conditioned Policy [50.13429055093534]
  Optimus-2はMultimodal Large Language Model (MLLM)を組み込んだ新しいMinecraftエージェントである。 我々は,8つのアトミックタスクにわたる25,000のビデオを含む,高品質なMinecraft Goal-Observation-Action(MGOA)データセットを紹介した。 Optimus-2は、アトミックタスク、ロングホライゾンタスク、マインクラフトのオープンエンド命令タスクにまたがる優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-02-27T09:18:04Z)
• Interactive Planning Using Large Language Models for Partially Observable Robotics Tasks [54.60571399091711]
  大きな言語モデル(LLM)は、オープン語彙タスクを実行するロボットエージェントを作成することで、驚くべき成果を上げている。 LLMを用いた部分的に観測可能なタスクのための対話型計画手法を提案する。
  論文  参考訳（メタデータ） (2023-12-11T22:54:44Z)

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。