論文の概要: PICA-WAM: Visual Perturbation Invariance via Cross-Appearance Self-Alignment in World Action Models

• arxiv url: http://arxiv.org/abs/2610.26813v1
• Date: Mon, 19 Oct 2026 17:50:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 01:09:48.785073
• Title: PICA-WAM: Visual Perturbation Invariance via Cross-Appearance Self-Alignment in World Action Models
• Title（参考訳）: PICA-WAM:世界行動モデルにおけるクロスプラットフォーム自己アライメントによる視覚摂動不変性
• Abstract要約: 世界行動モデル(WAM)は、将来の映像を共同で予測し、アクションを生成するが、タスク非関連の視覚摂動には敏感である。 PICA-WAMは、摂動不変性を補助的対面自己調整タスクとして用いた自己教師型トレーニングフレームワークである。 PICA-WAMは、視覚的摂動下での堅牢性を一貫して改善し、シミュレーションにおける名目上の性能を維持し、実際のロボットの成功率を高める。
• 参考スコア（独自算出の注目度）: 10.231817425514725
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: World Action Models (WAMs) jointly predict future video and generate actions, yet remain sensitive to task-irrelevant visual perturbations, i.e., changes in visual appearance that should not affect robot behavior. We identify a gap in conventional WAM training: video prediction encourages representations to preserve appearance information, while action generation does not explicitly enforce invariance to task-irrelevant appearance. Data augmentation exposes WAMs to such perturbations but does not require perturbed and nominal observations to produce consistent action representations, and alignment with external pretrained features does not guarantee the desired invariance. To address this gap, we propose PICA-WAM, a self-supervised training framework that casts perturbation invariance as an auxiliary cross-appearance self-alignment task for WAMs. An exponential-moving-average (EMA) teacher processes the nominal observation to provide a deeper-layer target, while the online WAM processes a perturbed observation and aligns its shallower-layer action representation to this target through a lightweight projection head. Across four strong WAMs evaluated on RoboTwin 2.0, LIBERO-Plus, EBench, and a real robot, PICA-WAM consistently improves robustness under visual perturbations, preserves nominal performance in simulation, and raises the real robot success rate. PICA-WAM further reduces the sensitivity of video features to task-irrelevant appearance and its propagation into actions, as shown by paired layer-wise diagnostics. Code: https://github.com/YudeZou/PICA-WAM-release
• Abstract（参考訳）: 世界行動モデル(WAM)は、将来の映像を共同で予測し、アクションを生成するが、タスク非関連な視覚的摂動、すなわちロボットの行動に影響を与えない視覚的外観の変化に敏感である。 我々は従来のWAMトレーニングのギャップを識別する:ビデオ予測は外観情報を保存するために表現を奨励するが、アクション生成はタスク非関連な外観に明示的に不変を強制しない。 データ拡張は、WAMをそのような摂動に晒すが、一貫した行動表現を生成するために摂動と名目上の観察を必要としない。 このギャップに対処するために, 摂動不変性を考慮した自己教師型トレーニングフレームワーク PICA-WAM を提案する。 指数移動平均(EMA)教師は、名目観測を処理してより深い層状目標を提供する一方、オンラインWAMは摂動観察を処理し、その浅い層状行動表現を軽量プロジェクションヘッドを介してこのターゲットに整列させる。 RoboTwin 2.0、LIBERO-Plus、EBench、および本物のロボットで評価された4つの強力なWAMのうち、PICA-WAMは、視覚摂動下での堅牢性を一貫して改善し、シミュレーションにおける名目上の性能を維持し、実際のロボットの成功率を高める。 PICA-WAMは、ビデオ特徴のタスク非関連な外観への感受性をさらに低下させ、また、ペア化されたレイヤーワイド診断(英語版)によって示されるように、その行動への伝播を促進する。 コード:https://github.com/YudeZou/PICA-WAM-release

関連論文リスト

• EWAM: Emergent Depth-Wise Specialization in a Unified Embodied Model -- From Semantic Understanding through Visual Foresight to Action [65.7650775259592]
  視覚言語行動(VLA)ポリシーは意味理解を重視し、世界行動モデル(WAM)は環境力学の予測表現を学習する。 本研究では,アクション中心の統一型エンボディモデルであるEWAMについて述べる。
  論文  参考訳（メタデータ） (2026-09-30T15:35:53Z)
• IMPACT: Attention Is the Interaction Map for Scalable Interaction-Aware World Model Training [18.292611164084537]
  IMPACTは,事前誘導と目標設定を併用したスケーラブルなインタラクション対応フレームワークである。 IMPACTは、対応するMSE訓練ベースラインを一貫して上回り、相互作用の忠実度、物理的妥当性、視覚的品質を改善している。
  論文  参考訳（メタデータ） (2026-08-31T18:00:36Z)
• CAER: Causal Action Effect Reweighting for World Model Training [31.737118584204342]
  本稿では,その行動に因果的に影響される可能性のあるトークンに対する監督を再分配する訓練パラダイムであるCausal Action Effect Reweighting(CAER)を紹介する。 CAERは、モデル自身の予測とアクション条件なしでこれらのトークンをオンラインにローカライズし、結果のエフェクトマップを、合計係数の質量を保存する重みに正規化し、使用される場所だけを変える。 不均一なアクション条件付きワールドモデルタスクによる実験により、CAERは一様MSEトレーニングよりも優れたソリューションに収束し、生成したビデオの物理的一貫性、制御性、視覚的品質が一貫した改善が得られた。
  論文  参考訳（メタデータ） (2026-08-31T14:49:56Z)
• Foresight Without Seeing: Latent Futures for World Action Models [31.423405133926334]
  本稿では,動的条件付き直接政治WAMであるForeWAMを提案する。 また、凍結した潜伏行動教師が指導するダイナミクスを導入し、物体の動きや接触変化、タスクの進行といった相互作用によって引き起こされる遷移を、暗黙の未来の状態が捉えることを奨励する。 ロボットデータの事前トレーニングがなければ、ForeWAMの標準版と加速版は平均96.7%、LIBEROは96.9%である。
  論文  参考訳（メタデータ） (2026-08-12T03:27:43Z)
• Making Foresight Actionable: Repurposing Representation Alignment in World Action Models [57.23863557252883]
  World Action Models (WAMs)は、ビデオ生成モデルを使用して将来のシーンの進化をモデル化することで、ロボット操作のための有望なルートを提供する。 目に見える未来を生み出すことは 必ずしも正確な行動の抽出を 保証するとは限らない 本稿では,Action-Grounded Representation Alignmentの目的であるAGRAを提案する。
  論文  参考訳（メタデータ） (2026-06-10T15:31:25Z)
• Reshaping Action Error Distributions for Reliable Vision-Language-Action Models [69.38615670891038]
  ロボット操作において、視覚言語アクション(VLA)モデルは、一般化可能でスケーラブルなロボットポリシーを学ぶための有望なパラダイムとして登場した。 連続動作型VLAモデルに焦点をあて、トレーニング中の動作誤差分布を再構成することにより、従来のMSEベースの回帰を超越する。 複数の代表的VLAアーキテクチャ上で、標準、少数ショット、ノイズの多い設定にまたがるアプローチを評価します。
  論文  参考訳（メタデータ） (2026-02-04T05:37:09Z)
• ReViP: Reducing False Completion in Vision-Language-Action Models with Vision-Proprioception Rebalance [50.05984919728878]
  本稿では、視覚的接地と摂動下での堅牢性を高めるために、視覚-受容器リバランスを備えた新しいVLAフレームワークReViPを提案する。 具体的には、タスクステージオブザーバとして外部VLMを使用して、視覚的な観察からリアルタイムなタスク中心の視覚的手がかりを抽出する。 本稿では,オブジェクトドロップのような制御された設定を持つLIBERO上に構築された最初のFalse-Completion Benchmark Suiteを提案する。
  論文  参考訳（メタデータ） (2026-01-23T11:31:07Z)
• PosA-VLA: Enhancing Action Generation via Pose-Conditioned Anchor Attention [92.85371254435074]
  PosA-VLAフレームワークは、ポーズ条件付き監視を通じて視覚的注意を保ち、タスク関連領域に対するモデルの認識を一貫して導く。 本手法は,多様なロボット操作ベンチマークにおいて,正確かつ時間効率のよい動作を実施できることを示す。
  論文  参考訳（メタデータ） (2025-12-03T12:14:29Z)
• Object-Centric Latent Action Learning [70.3173534658611]
  本稿では,画素ではなくオブジェクトを対象とする,オブジェクト中心の潜在動作学習フレームワークを提案する。 我々は、自己教師対象中心の事前学習を利用して、行動関連や注意をそらすダイナミクスを歪めている。 その結果, 物体中心の事前学習は, トラクタの負の効果を50%軽減することがわかった。
  論文  参考訳（メタデータ） (2025-02-13T11:27:05Z)

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。