論文の概要: AWAM: Active Trajectory-Conditioned View Imagination for Robust Robot Manipulation

• arxiv url: http://arxiv.org/abs/2610.23396v1
• Date: Fri, 16 Oct 2026 12:53:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.915543
• Title: AWAM: Active Trajectory-Conditioned View Imagination for Robust Robot Manipulation
• Title（参考訳）: AWAM:ロバストロボットマニピュレーションのためのアクティブ・トラジェクティブ・コンディション・ビュー・イマジネーション
• Abstract要約: AWAMは、行動する前に計画された軌道に沿って何を見るかを観察し、想像する計画を立てている。 AWAMは、LIBERO-Occで75.9%、LIBERO-Plusで62.4%、RLBench-OG Occlusion1で76.5%、実ロボット試験で94.4%の競争成功率を記録した。
• 参考スコア（独自算出の注目度）: 28.884997752141675
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Rapid progress in embodied intelligence has enabled increasingly capable robots to follow language instructions and manipulate diverse objects. However, strong results in structured environments do not automatically transfer to open-world conditions, where clutter, occlusion, and changing viewpoints can obscure the spatial relationships required for action. To address this perceptual gap, a virtual active-perception paradigm is introduced. AWAM, an Active World-Action Model actively plans where to observe and imagines what will be seen along the planned trajectory before acting. Task-related virtual camera motion is predicted and used as a structured query into a geometry-conditioned world model, producing a reusable spatial prior for manipulation, which is later compressed into a fixed memory and fused with live observations through cross-attention for diffusion-based action prediction. AWAM achieves competitive success rates with 75.9% on LIBERO-Occ, 62.4% on LIBERO-Plus, 76.5% on RLBench-OG Occlusion1, and 94.4% in real-robot trials. These results support improved robustness to the evaluated occlusions and distribution shifts, addressing part of the gap between structured manipulation and less controlled environments.
• Abstract（参考訳）: インボディード・インテリジェンス(英語版)の急速な進歩により、ロボットは言語命令に従い、多様な物体を操作できるようになった。 しかし、構造化された環境における強い結果は、乱雑、隠蔽、視点の変化が行動に必要な空間的関係を曖昧にするような、自然界の環境に自動的に移行するわけではない。 この知覚ギャップに対処するため、仮想アクティブ・パーセプションパラダイムが導入された。 AWAM(Active World-Action Model、アクティブ・ワールド・アクション・モデル)は、行動する前に計画された軌道に沿って何が見えるかを観察し、想像する場所を積極的に計画している。 タスク関連仮想カメラの動きを予測し、幾何条件付き世界モデルへの構造化クエリとして使用し、操作のための再利用可能な空間前処理を生成し、後に固定メモリに圧縮され、拡散に基づく行動予測のためのクロスアテンションを通じてライブ観測に融合する。 AWAMは、LIBERO-Occで75.9%、LIBERO-Plusで62.4%、RLBench-OG Occlusion1で76.5%、実ロボット試験で94.4%の競争成功率を記録した。 これらの結果は, 評価オクルージョンと分布シフトに対するロバスト性の向上, 構造化操作と制御の少ない環境とのギャップの一部に対処することを支援する。

関連論文リスト

• GIFT: Guided Intermediate Feature Training via Action-Oriented Structural Supervision for Robotic Manipulation [60.95802802905149]
  GIFT(Guided Intermediate Feature Training)は,中間機能学習のためのアーキテクチャフレキシブルなフレームワークである。 我々は、各モデルのアクション定式化を維持しつつ、ビジョンランゲージ・アクション(VLA)ポリシー、ダイレクトアクション・ワールド・アクション・モデル(WAM)、逆ダイナミクスWAMでGIFTをインスタンス化する。 RoboCasaでは3つのGIFTバージョンが61.4%、83.6%、82.3%に達し、それぞれ12.6、9.0、8.4ポイントを上回っている。
  論文  参考訳（メタデータ） (2026-09-03T17:59:03Z)
• 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)
• Exploratory, Communicative, and Deployable: Vision-Driven Embodied Agents for Open-World Mobile Manipulation [47.58516950734307]
  既存のフレームワークは、しばしば特権化されたシミュレータの状態に依存するか、あるいは完全な命令を仮定し、現実的なデプロイメント課題を回避します。 本稿では,オープンワールドモバイル操作のためのエージェントフレームワークREALを提案する。 我々は、データ収集、教師付き微調整、オンライン強化学習を駆動するための多様なタスク構成を設計する。
  論文  参考訳（メタデータ） (2026-07-15T09:55:45Z)
• Qwen-VLA: Unifying Vision-Language-Action Modeling across Tasks, Environments, and Robot Embodiments [96.23886784364997]
  身体的な知性は、操作やナビゲーションといった個々のタスクのための特別なモデルを通してしばしば研究される。 本稿では,Qwenの視覚言語モデリングスタックを連続的な動作と軌道生成に拡張した統一的な基礎モデルであるQwen-VLAを提案する。
  論文  参考訳（メタデータ） (2026-05-28T17:36:31Z)
• From Imagined Futures to Executable Actions: Mixture of Latent Actions for Robot Manipulation [88.39072412680633]
  将来の映像を実行可能な表現に変換する制御指向インタフェースであるMoLAを提案する。 我々は,シミュレーションベンチマークと実世界のロボット操作タスクに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2026-05-12T14:15:16Z)
• STARRY: Spatial-Temporal Action-Centric World Modeling for Robotic Manipulation [30.24537271257149]
  STARRYは、空間的時間的予測と行動生成を整合させる世界モデル強化アクションジェネレーションポリシーである。 RoboTwin 2.0では、クリーンでランダムな設定で平均93.82% / 93.30%の成功を達成した。 これらの結果は,ロボット操作の空間的・時間的要求に対する行動中心型時空間世界モデリングの有効性を示す。
  論文  参考訳（メタデータ） (2026-04-29T16:13:39Z)
• From Seeing to Doing: Bridging Reasoning and Decision for Robotic Manipulation [35.79160868966466]
  FSD(From Seeing to Doing)は空間関係推論により中間表現を生成する新しい視覚言語モデルである。 提案手法は,空間座標を視覚信号と整列する自己整合性機構と,階層的なデータパイプラインを併用する。 我々は、FSDがSimplerEnvで40.6%の成功率、実世界の8つのタスクで72%の成功率を達成したことを示し、最強のベースラインを30%上回った。
  論文  参考訳（メタデータ） (2025-05-13T13:20:46Z)
• Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
  本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。 連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。 我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
  論文  参考訳（メタデータ） (2021-11-15T18:50:04Z)

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。