論文の概要: De-Diffusing WAMs: Action-Sufficient Direct Prediction for Robot Control
- arxiv url: http://arxiv.org/abs/2610.28122v1
- Date: Tue, 20 Oct 2026 12:30:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.816384
- Title: De-Diffusing WAMs: Action-Sufficient Direct Prediction for Robot Control
- Title（参考訳）: 非拡散型WAM:ロボット制御のためのアクション十分直接予測
- Abstract要約: カスケード世界行動モデル(WAM)は、ロボット行動の条件付けに予測された視覚的未来を用いるが、拡散予測された専門家によるコストのかかる反復推論を継承する。
我々は、正確に1ステップのアクション予測をサポートするために、どのような1ステップの予測未来が保存されなければならないかを尋ねる。
DirectWAMは、訓練済みのビデオとアクションの専門家を、アクション十分蒸留を通してサンプリングすることなく、単一ステップの予測子に変換する。
4つのLIBEROスイートで平均97.1%、RoboTwin 2.0で85.4%を達成し、1ストリーム当たりの予算でFlash-WAMを上回っている。
- 参考スコア（独自算出の注目度）: 8.112815235698173
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cascade world-action models (WAMs) use predicted visual futures to condition robot actions, but inherit costly iterative inference from diffusion-pretrained experts. We ask what a single-step predicted future must preserve to support accurate single-step action prediction. In the evaluated WAM, resampling video noise has little effect on downstream actions, yet naively truncating both streams to one step substantially reduces task success. Video-space supervision only partially closes this gap, and a local sensitivity analysis shows that vision prediction errors have highly unequal consequences for action accuracy. These findings motivate DirectWAM, which converts pretrained video and action experts into single-step predictors without stochastic sampling through action-sufficient distillation, while retaining the explicit future-to-action cascade. After learning a one-step action model, we train the future predictor by decoding actions from its own predicted futures and backpropagating demonstration action error through the expert, with an optional future-latent reconstruction loss. The resulting objective evaluates the student-generated future through its downstream control consequences rather than relying on representation matching alone. DirectWAM achieves 97.1% average success across four LIBERO suites and 85.4% on RoboTwin 2.0, outperforming Flash-WAM at the same one-evaluation-per-stream budget. This advantage has also extended to three real-world tasks that we designed. Compared with the full iterative teacher, it reduces inference latency by $28.0\times$.
- Abstract（参考訳）: カスケード世界行動モデル(WAM)は、ロボット行動の条件付けに予測された視覚的未来を用いるが、拡散予測された専門家によるコストのかかる反復推論を継承する。
我々は、正確に1ステップのアクション予測をサポートするために、どのような1ステップの予測未来が保存されなければならないかを尋ねる。
評価されたWAMでは、ビデオノイズの再サンプリングはダウンストリーム動作にはほとんど影響しないが、両方のストリームを1ステップに切り離すことでタスクの成功を大幅に減少させる。
映像空間の監督は、このギャップを部分的に埋めるだけであり、局所感度解析により、視覚予測誤差が行動精度に非常に不平等な結果をもたらすことが示された。
これらの知見は、訓練済みのビデオおよびアクションエキスパートを、アクション十分蒸留による確率的サンプリングを伴わずに一段階の予測に変換するDirectWAMを動機付けつつ、明示的な未来から行動へのカスケードを維持している。
一段階の行動モデルを学んだ後、我々は、予測された未来からの行動の復号化と、専門家による実証行動の誤りのバックプロパゲーションにより、オプションの未来の復元損失を伴って、将来の予測者を訓練する。
得られた目的は、表現マッチングのみに頼るのではなく、下流制御の結果を通じて学生が生み出す未来を評価することである。
DirectWAMは4つのLIBEROスイートで平均97.1%、RoboTwin 2.0で85.4%を達成し、Flash-WAMを1ストリーム当たりの予算で上回っている。
この利点は、私たちが設計した3つの現実世界のタスクにも及んでいる。
完全な反復型教師と比較して、推論遅延を28.0\times$に削減する。
関連論文リスト
- RAP-WAM: Learning World-Action Models through Predictive Rehearsal and Action Perturbations [45.16816691251336]
RAP-WAMは、パーターブとアクション摂動(RAP)と将来の生成とクエリを組み合わせた、ポリシー学習のための結合されたアクション投影(Coupled Action Projection)である。
予測的リハーサルは、記録された目標を保持しながらモデル生成入力を訓練し、繰り返し発生するエラーを空間的事前に蓄積する。
個別のスコアリングネットワークやデプロイメントタイムプローブは不要である。
論文 参考訳（メタデータ） (2026-10-12T09:09:21Z) - Forward Dynamics Models [85.83989159271482]
我々は、アクションと将来の世界状態を予測するロボットアクションモデルのファミリーであるフォワード・ダイナミクス・モデル(FDM)を提示する。
将来の予測は行動の特徴に則っているが、逆ではない。エンドツーエンドのトレーニングは、将来的な国家が政策を監督する。
シミュレーションおよび実ロボットを用いた実験により、両背骨のFDMの有効性が示された。
論文 参考訳（メタデータ） (2026-10-09T07:12:16Z) - $R^2$-WAM: Repair-and-Reject Post-Training for World Action Models [20.330472629595857]
R2$-WAMは2段階の修理と削除のためのポストトレーニングフレームワークである。
入力動作による予測された先物の整合性を改善し、次にこれらの先物を用いて負の微調整のための下位アクションサンプルを選択する。
R2$-WAMは、クリーンでランダムな設定でRoboTwin 2.0で平均93.8%の成功を達成する。
論文 参考訳（メタデータ） (2026-10-04T03:47:05Z) - Beyond One-Step Accuracy: State-Affine Latent Transition for Reliable Visual Planning [53.476598858325985]
複数ステップのロールアウトエラーを個々のステップで導入したエラーに分解し,その後の遷移を通した伝播を行う。
状態-アフィンダイナミクスは、状態非依存のヤコビアンとの微分可能遷移であることを示す。
動作条件付き状態-アフィンダイナミクスモデルであるSALTを導入し、動作が状態変換と追加更新の両方を変調する。
論文 参考訳（メタデータ） (2026-09-27T14:12:27Z) - GE-Act 2.0: Pretraining and Scaling a World-Action Model for Robotic Manipulation [63.853929983870955]
本稿では,ジェニー・エンスペクタ法 2.0 (GE-Act 2.0) について紹介する。
制御指向オートエンコーダ(CoAE)、ワンステップビジュアルプランナー(SVP)、逆ダイナミクスモデル(IDM)を組み合わせている。
それらのコンポーネントは、知識に整合した選択最適化(KASO)で共同で訓練され、記録された行動に適合していると判断された予測された未来のみを選択することで、ミスマッチした監視を減らす。
論文 参考訳（メタデータ） (2026-09-04T17:16:48Z) - Vid2WAM: Distilling Video Diffusion Priors into World Action Models [59.28345153395937]
世界行動モデル(WAM)は、将来の視覚力学とアクションを共同でモデル化することで、ロボットポリシー学習を改善する。
大規模なビデオ基礎モデルからコンパクトなWAM学生へ視覚拡散を先取りするオフライン蒸留フレームワークであるVid2WAMを提案する。
Vid2WAMは、限られた専門家によるデモンストレーションにおいて、新しいタスクの一般化とデータ効率を向上させる。
論文 参考訳（メタデータ） (2026-08-09T08:02:49Z) - 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) - Privileged Foresight Distillation: Zero-Cost Future Correction for World Action Models [1.5821415295352772]
共同訓練は, 将来の観察が行動認知に課す行動条件付き補正を誘導することを示す。
本稿では,emphPrivileged Foresight Distillation (PFD)について紹介する。
論文 参考訳（メタデータ） (2026-04-28T16:58:52Z)
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。