論文の概要: MAIA: Anticipating Interaction Anomalies in Contact-Rich Manipulation via Multimodal World Models
- arxiv url: http://arxiv.org/abs/2610.21686v1
- Date: Thu, 15 Oct 2026 11:11:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-17 06:09:33.048257
- Title: MAIA: Anticipating Interaction Anomalies in Contact-Rich Manipulation via Multimodal World Models
- Title（参考訳）: マルチモーダル世界モデルによるコンタクトリッチ操作における相互作用異常の予測
- Abstract要約: MAIAは異常予測のためのフレームワークである。
名目的相互作用のダイナミクスを学習し、計画された行動の視覚的および力的反応を予測する。
CRIAは18のコンタクトリッチな操作タスクにまたがる2,852の軌道の実際のデータセットである。
- 参考スコア（独自算出の注目度）: 19.88716917447721
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reliable contact-rich manipulation requires detecting execution deviations early enough for corrective action. Yet most monitoring methods are reactive, identifying anomalies only after they become observable. Anticipating such anomalies is challenging because visual observations only partially reveal physical interaction, while planned actions describe intended motion rather than their actual physical consequences. We address this problem with MAIA, a multimodal framework for anomaly anticipation. Its vision-action-force world model learns nominal interaction dynamics and predicts the visual and force responses of planned actions, while a lightweight anomaly head predicts impending interaction anomalies. To enable systematic evaluation, we introduce CRIA, a real-world multimodal dataset of 2,852 trajectories spanning 18 contact-rich manipulation tasks, with frame-level annotations of anomaly onset and evolution. Experiments on both seen and novel tasks show that MAIA achieves more accurate anomaly discrimination than representative baselines while providing earlier warnings, with bACC scores of 0.765 and 0.710 and median anticipation lead times of 28.0 and 25.1 steps, respectively. Moreover, using these predictions for anomaly-aware action selection improves end-to-end task success from 52.6% to 61.5% without retraining the underlying manipulation policy. These results highlight the value of modeling future physical consequences for proactive anomaly anticipation.
- Abstract（参考訳）: 信頼性の高いコンタクトリッチな操作では、修正動作に十分早く実行逸脱を検出する必要がある。
しかし、ほとんどの監視方法は反応性があり、観測可能になった後にのみ異常を識別する。
このような異常を予想することは、視覚的な観察が身体的な相互作用を部分的にしか示さないのに対して、計画された行動は実際の身体的な結果よりも意図された動きを記述しているため、難しい。
異常予測のためのマルチモーダルフレームワークであるMAIAを用いてこの問題に対処する。
ビジョン・アクション・フォース・ワールド・モデルは名目的相互作用のダイナミクスを学習し、計画されたアクションの視覚的および力的な応答を予測し、軽量な異常なヘッドは差し迫った相互作用の異常を予測する。
CRIAは18の接触豊富な操作タスクにまたがる2,852のトラジェクトリからなる実世界のマルチモーダルデータセットである。
観察されたタスクと新規タスクの両方の実験では、MAIAは、それぞれ28.0ステップと25.1ステップの予測リードタイムのbACCスコアが0.765と0.710で、代表ベースラインよりも正確な異常識別を達成している。
さらに、これらの予測を異常認識行動選択に使用することで、根底にある操作ポリシーを再訓練することなく、エンドツーエンドのタスク成功率が52.6%から61.5%に向上する。
これらの結果は、前向きな異常予測のための将来の物理的結果のモデル化の価値を強調している。
関連論文リスト
- Counterfactual Action Evaluation, Observation Bottlenecks, and Representation Geometry in Joint-Embedding Predictive World Models [0.0]
低遅延予測誤差は、世界モデルがその行動の結果を区別することを証明しない。
本研究では,シミュレーション状態,観測,ターゲット埋め込み,予測器出力を通じて,同じ介入をトレースする評価プロトコルを提案する。
論文 参考訳（メタデータ） (2026-10-02T05:54:13Z) - ATI-VLA: Action-Centric Predictive Vision-Language-Action Models via Actionable Alignment Then Adaptive Injection [58.95432059887781]
ATI-VLAはAction-Centric Predictive Vision-Language-Actionフレームワークである。
両方のモダリティを共有潜在空間にマッピングすることで、予測観測と行動表現を一致させる。
その後、予測された観測潜伏者を明示的な予測先行として行動復号に注入する。
論文 参考訳（メタデータ） (2026-10-01T14:12:23Z) - TimeLitmus: A Diagnostic Benchmark for Cross-Modal Understanding and Explanation Faithfulness in Event-Conditioned Time-Series Prediction [48.104261148149654]
TimeLitmusは、イベント条件付き時系列予測における相互理解と忠実さの説明のための診断ベンチマークである。
TimeLitmusには財務と交通の計4,856件の評価記録がある。
論文 参考訳（メタデータ） (2026-09-21T14:38:49Z) - World Models for Embodied Intelligence: From Plausible to Controllable to Actionable [100.13060753774657]
世界モデルは、隠れた状態を維持し、結果を予測し、介入を比較し、実行が期待から外れたときに適応することによって、インテリジェンスにおける知覚と意思決定を結びつける。
これは、どの予測能力が振る舞いを改善するかという、中心的な疑問を提起する。
可塑性モデルは、タスク関連時間的・幾何学的・物理的構造を保存し、制御可能なモデルは、介入がどのように構造を変えるかを予測し、アクション可能なモデルは、予測を計画、行動、学習、評価、検証、回復、データ選択において測定可能な利得に変換する。
論文 参考訳（メタデータ） (2026-09-15T06:22:42Z) - Learning Counterfactual World Models for Embodied Reasoning under Partial Observability [0.562873332680314]
世界モデルは予測力学を一度学習し、推論し、計画し、行動することを約束します。
このようなモデルの下の表現は、大規模ビデオ、インタラクション、マルチモーダルコーパスで事前訓練されている。
モデルは視覚的に妥当な未来を予測し、異なる行動結果の介入を区別できない。
論文 参考訳（メタデータ） (2026-09-05T02:56:47Z) - Overcoming Statistical Bias in Action-Controllable World Models [18.890337378174678]
アクション条件付き世界モデルは、エージェントのアクションの下で視覚環境がどのように進化するかを予測することを目的としている。
将来のフレームは、しばしば視覚的慣性や反復的な動きパターンから非常に予測可能である。
アクション制御性を高めるために,CoCoという対実整合性フレームワークを紹介した。
論文 参考訳（メタデータ） (2026-08-05T10:10:36Z) - HarmoWAM: Harmonizing Generalizable and Precise Manipulation via Adaptive World Action Models [58.191567345416836]
世界行動モデル(WAM)は、物理力学のモデリングによるロボット制御のための有望なパラダイムとして登場した。
HarmoWAMは、予測と反応の制御を統一するために世界モデルを完全に活用し、一般的なトランジットと正確な操作を可能にする。
実世界の6つのロボットタスクにまたがる3つのトレーニング未確認テスト環境を構築し、背景、位置、オブジェクトの意味のバリエーションをカバーした。
論文 参考訳（メタデータ） (2026-05-11T17:59:56Z) - V-ABS: Action-Observer Driven Beam Search for Dynamic Visual Reasoning [7.200097753831728]
MLLM(Multimodal large language model)は、一般的な認識において顕著な成功を収めてきたが、複雑な多段階の視覚的推論は、依然として永続的な課題である。
本稿では,アクション・オブザーバ駆動のビームサーチフレームワークであるV-ABSを紹介する。
V-ABSは最先端の性能を実現し,Qwen3-VL-8Bベースラインで平均19.7%の改善を実現している。
論文 参考訳（メタデータ） (2026-05-11T08:21:52Z) - World Action Verifier: Self-Improving World Models via Forward-Inverse Asymmetry [82.93104394404781]
汎用世界モデルは、スケーラブルなポリシー評価、最適化、計画を約束します。
本稿では,世界モデルによる予測誤りと自己改善を識別するフレームワークであるWorld Action Verifier(WAV)を提案する。
論文 参考訳（メタデータ） (2026-04-02T12:48:36Z) - Multimodal Motion Conditioned Diffusion Model for Skeleton-based Video
Anomaly Detection [46.8584162860564]
ビデオ異常検出(VAD)のための新しい生成モデルを提案する。
我々は、骨格表現を考察し、最先端拡散確率モデルを用いて、多モーダルな未来の人間のポーズを生成する。
4つの確立されたベンチマークでモデルを検証します。
論文 参考訳（メタデータ） (2023-07-14T07:42:45Z) - Action Sequence Augmentation for Early Graph-based Anomaly Detection [26.511889121307277]
早期異常検出にアクションシーケンス拡張を用いる新しいフレームワークであるElandを提案する。
3つの実世界のデータセットの実験により、イーランドは様々なグラフベースの異常検出手法の性能を改善した。
論文 参考訳（メタデータ） (2020-10-20T04:39:38Z)
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。