論文の概要: Language-Forcing: Advancing Humanoid Loco-Manipulation via Semantic Alignment of Whole-Body World Action Models

• arxiv url: http://arxiv.org/abs/2610.23894v1
• Date: Mon, 28 Sep 2026 12:21:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:50:08.582237
• Title: Language-Forcing: Advancing Humanoid Loco-Manipulation via Semantic Alignment of Whole-Body World Action Models
• Title（参考訳）: 言語強制:全体世界行動モデルのセマンティックアライメントによるヒューマノイドロコ操作の促進
• Abstract要約: 全体ポリシーでは、タスクの進捗は、ボディポーズ、コンタクト、オブジェクト状態の調整された変更に依存します。 LANGUAGE-FORCINGは,言語を用いた学習戦略であり,将来的なWAMの視覚的表現におけるタスク関連の変化を強調する。 HumanoidArenaでは、LANGUAGE-FORCINGが平均79.17%の成功率を記録し、9.46ポイントという最強の競合政策を上回っている。
• 参考スコア（独自算出の注目度）: 10.635729082776368
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: World Action Models (WAMs) jointly predict robot actions and future observations. However, their visual prediction objectives do not explicitly distinguish task-relevant transitions from incidental scene changes. For whole-body policies, this distinction matters because task progress depends on coordinated changes in body pose, contact, and object state. We introduce LANGUAGE-FORCING, a training strategy that uses language to emphasize task-relevant changes in the future visual representations of a whole-body WAM. Given paired current and ground- truth short-horizon future frames, a frozen vision-language model assesses task progress and predicts plausible subsequent state changes. We encode these descriptions with a frozen text encoder and align their embeddings with intermediate, action-conditioned future-visual features, complementing the original visual and action prediction objectives. All auxiliary components are used only during training, introducing no additional inference overhead. On HumanoidArena, LANGUAGE-FORCING achieves an average success rate of 79.17%, exceeding the strongest competing policy by 9.46 percentage points and the same WAM without language alignment by 10.77 percentage points. Across five real-world tasks, language alignment raises average success from 53.33% to 71.33% over the same WAM baseline.
• Abstract（参考訳）: 世界行動モデル(WAM)は、ロボットの行動と将来の観察を共同で予測する。 しかし、その視覚的予測目標は、タスク関連トランジションと偶発的なシーンの変化を明確に区別するものではない。 全体ポリシーでは、タスクの進行は、ボディポーズ、コンタクト、オブジェクト状態の調整された変更に依存するため、この区別が重要である。 LANGUAGE-FORCINGは,言語を用いて,WAM全体の視覚的表現におけるタスク関連の変化を強調する訓練戦略である。 ペア化された電流と接地真実の短水平フレームが与えられた場合、凍結された視覚言語モデルはタスクの進捗を評価し、その後の状態変化を予測します。 我々はこれらの記述を凍結したテキストエンコーダでエンコードし、それらの埋め込みを中間的、行動条件付き将来の視覚的特徴と整列させ、元の視覚的および行動予測の目的を補完する。 すべての補助コンポーネントはトレーニング時にのみ使用され、追加の推論オーバーヘッドは発生しない。 HumanoidArenaでは、LANGUAGE-FORCINGの平均成功率は79.17%で、最強の競合政策を9.46ポイント、同じWAMを10.77ポイント上回っている。 実際の5つのタスクの中で、言語アライメントは同じWAMベースラインで平均53.33%から71.33%に向上している。

関連論文リスト

• Beyond Actions: Learning Future Operation Targets for Vision-Language-Action Models [56.97744308982891]
  本稿では,将来的な物理的効果を政策の主要な予測対象とするアクション-フューチャー結合効果学習(AFCE)を紹介する。 AFCEは50.97%$で、それぞれ$_0.5$、UVTを11.82ポイント、UVTを15.21ポイント改善している。
  論文  参考訳（メタデータ） (2026-10-09T08:29:46Z)
• Unifying Policy Learning and State Prediction through Spatial Language Modeling [52.172884936392535]
  本研究では,シーンの輪郭,目標,行動目標,将来の状態を個別座標と意味トークンの共通語彙で表現する空間言語モデリングを提案する。 タスク固有の文法はこれらの要素を空間配列に整理し、1つの自己回帰変換器が行動生成と行動条件付き状態予測を学習できるようにする。 ランダム・プレイ・トランジション・プレトレーニングを駆使してモデルをスクラッチからトレーニングし、その後、専門家によるデモンストレーションで共同動作と状態トレーニングを行う。
  論文  参考訳（メタデータ） (2026-10-08T15:43:08Z)
• ForeAct3D: Policy-Grounded Future World Modeling for VLA Policies [28.246787329202586]
  我々は、ビジョン・ランゲージ・アクション・ポリシーの中で、ポリシーに基づく未来の世界モデリングのためのフレームワークであるForeAct3Dを紹介する。 我々は、ForeAct3D 98.3%がLIBEROで平均成功し、CALVINでの平均タスク長が3.73であり、全てのスイートで基本方針を上回っていることを示す。
  論文  参考訳（メタデータ） (2026-10-03T15:49:04Z)
• What to Attend, What to Keep: Skill-Conditioned Visuotactile Representation with Progress-Guided Event Memory [53.7734456149083]
  視覚と触覚を原始的なスキルのレベルでどのように組み合わせるべきかを研究する。 本稿では,モダリティ特異的な短期観察トークンを融合したスキル条件表現を提案する。
  論文  参考訳（メタデータ） (2026-09-29T20:21:37Z)
• Devol-ONE: One Autoregressive Mixture of Transformers to Unify Vision-Language-Action and Latent World Modeling [0.7329200485567826]
  本稿では,視覚言語理解,潜在世界ダイナミクス予測,行動生成をひとつの自己回帰フレームワーク内で統合するトランスフォーマーアーキテクチャであるDevol-ONEを提案する。 LIBERO, LIBERO-PLUS, RoboTwin2.0およびFlexivのシングルアームとデュアルアームの実際の評価を行った。
  論文  参考訳（メタデータ） (2026-09-26T03:35:15Z)
• Efficient Alignment of Unconditioned Action Prior for Language-conditioned Pick and Place in Clutter [59.69563889773648]
  本研究では,ロボットが対象物を開き散らかし,特定の場所に移動させるという,言語条件のピック・アンド・プレイス作業について検討する。 いくつかのアプローチは、ビジョンファウンデーションモデルから機能を使ってエンドツーエンドのポリシーを学び、大きなデータセットを必要とする。 本研究では,無条件動作先行と3次元視覚言語先行とを1つの注意層から学習することで協調する行動先行アライメント手法を提案する。
  論文  参考訳（メタデータ） (2025-03-12T14:20:33Z)
• What Makes Pre-Trained Visual Representations Successful for Robust Manipulation? [57.92924256181857]
  照明やシーンテクスチャの微妙な変化の下では,操作や制御作業のために設計された視覚表現が必ずしも一般化されないことがわかった。 創発的セグメンテーション能力は,ViTモデルにおける分布外一般化の強い予測因子であることがわかった。
  論文  参考訳（メタデータ） (2023-11-03T18:09:08Z)

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。