論文の概要: Plausible Future, Wrong Choice: Steering World-Action Models toward Intended Future

• arxiv url: http://arxiv.org/abs/2610.28431v1
• Date: Tue, 20 Oct 2026 15:58:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.901078
• Title: Plausible Future, Wrong Choice: Steering World-Action Models toward Intended Future
• Title（参考訳）: 未来の可能性と間違った選択:世界行動モデルから未来へ
• Abstract要約: ロングホライゾン操作では、同様の観察・行動セグメントが様々なタスクや段階にわたって発生する。 既存のアプローチは、間違ったタスクステージに向かってドリフトするために、ローカルで妥当だが間違った方向のロールアウトを生成する可能性がある。 そこで我々は,きめ細かいタスク要求を表すクローズドループのステージアウェアフレームワークTaskWAMを提案する。
• 参考スコア（独自算出の注目度）: 72.24631308807129
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: World-Action Models (WAMs) have emerged as a promising paradigm for embodied generalist policies by jointly modeling future world evolution and robot actions across diverse manipulation tasks. However, representing diverse futures is only the first step: a capable WAM must also generate futures that match the requirements of the current task and execution progress. In long-horizon manipulation where similar observation-action segments occur across different tasks and stages, existing approaches may generate locally plausible yet misdirected rollouts to drift toward wrong task stage, i.e., a phenomenon we term Stage Confusion. To address this problem, we propose TaskWAM, a closed-loop, stage-aware framework that represents fine-grained task requirements with Mode Tokens and tracks execution progress with State Tokens, forming a structured task state to steer world--action generation toward intended future. We further introduce StageBench, a controlled multi-stage manipulation benchmark with parameterized stage variations and automated evaluation.Extensive experiments on both simulation benchmarks and real-world tasks demonstrate that TaskWAM effectively reduces confusion and achieves competitive performance with state-of-the-art methods. Moreover, TaskWAM provides strong plug-and-play transfer across heterogeneous WAM architectures and robot embodiments, including single-arm robots, dual-arm grippers, dexterous hands, and humanoid robots.
• Abstract（参考訳）: World-Action Models (WAMs) は、多種多様な操作タスクにまたがる未来の世界進化とロボットのアクションを共同でモデル化することによって、ジェネラリスト政策を具現化するための有望なパラダイムとして登場した。 有能なWAMは、現在のタスクと実行進捗の要求に合致した未来も生成しなければならない。 同様の観察・行動セグメントが様々なタスクや段階にわたって発生するロングホライゾン操作では、既存のアプローチは局所的に可視だが誤った方向のロールアウトを生成して、間違ったタスクステージに向かってドリフトする、すなわち、ステージ・コンフュージョン(Stage Confusion)と呼ばれる現象を発生させる。 この問題に対処するため,モードトークンによるきめ細かいタスク要求を表現し,ステートトークンによる実行進捗の追跡を行う,クローズドループのステージアウェアフレームワークであるTaskWAMを提案する。 さらに、パラメータ化ステージの変動と自動評価を備えたマルチステージ操作ベンチマークであるStageBenchを紹介し、シミュレーションベンチマークと実世界のタスクの集約実験により、TaskWAMが混乱を効果的に軽減し、最先端の手法と競合する性能を実現することを示す。 さらに、TaskWAMは、単一アームロボット、デュアルアームグリップパー、デキスタラスハンド、ヒューマノイドロボットなど、異種WAMアーキテクチャとロボットエボディメントにまたがる強力なプラグアンドプレイ転送を提供する。

関連論文リスト

• In-Context Robot Learning with VLM Agents [45.801127106171016]
  本稿では,テキスト内ロボット学習のための汎用フレームワークであるGPT-Policyを紹介する。 タスクの成功と効率の指標を通じて信頼性と限界を評価します。 実際のロボット実験では、人間のビデオデモはロボットアクションラベルなしでもタスク完了を改善する。
  論文  参考訳（メタデータ） (2026-09-16T17:58:35Z)
• Learning to Use Imagination: Progress-Conditioned Future Utilization for World Action Models [72.02240114225107]
  World Action Models (WAM) は、将来の視覚力学をアクション生成に組み込むことでビジョン・ランゲージ・アクション(VLA)モデルを拡張する。 既存のWAMは、実行の進行に限られた適応性を持つ想像上の未来をしばしば利用し、注意散らしや信頼性の低い予測方法を導入する可能性がある。 本稿では,プログレッシブ・コンディションド・ワールド・アクション・モデルであるProWAMを提案する。
  論文  参考訳（メタデータ） (2026-09-06T12:46:20Z)
• StageWAM: Joint-Embedding Stage Prediction for World-Action Models in Robot Manipulation [38.32341379152637]
  汎用ロボット政策は多モード観察と言語課題指示を多様なタスクにわたる行動にマッピングすることを目的としている。 この短期的未来は、アクション実行のためのローカルシーンの進化をキャプチャするが、タスクが現在のステージから次のステージへとどのように進むかを明確に記述していない。 本稿では,モータスをベースとしたワールドアクションモデル(WAM)を,目標条件付きJEPA予測器であるStage-JEPAで拡張するステージWAMを紹介する。
  論文  参考訳（メタデータ） (2026-08-11T10:33:12Z)
• Unifying Object-Centric World Models and Diffusion Policy: A Hierarchical Framework for Multi-Stage Robotic Tasks [44.06996146648851]
  マルチステージロボット操作用に設計された世界モデルフレームワークであるWorldDPを紹介する。 我々の階層的アプローチは、実行中に実現可能なサブゴールを最適化するために、遷移関数として高レベル世界モデルを利用する。 環境エンティティを分離したオブジェクト中心の表現を導入し,それぞれに対して順次計画を立てることを可能にする。
  論文  参考訳（メタデータ） (2026-06-07T18:39:45Z)
• Perceptive Hierarchical-Task MPC for Sequential Mobile Manipulation in Unstructured Semi-Static Environments [10.890430040930971]
  連続的な移動操作は、一貫した動きの生成だけでなく、動作環境の変化に対するロボットの認識と適応性にも依存する。 本研究では,非構造的かつ変化する環境下での効率的な移動操作を実現するための,新しい知覚的階層型タスクモデル予測制御(HTMPC)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-10T20:55:30Z)
• Dita: Scaling Diffusion Transformer for Generalist Vision-Language-Action Policy [73.75271615101754]
  本稿では,Transformerアーキテクチャを活用した拡張性のあるフレームワークであるDitaについて紹介する。 Ditaはコンテキスト内コンディショニング(context conditioning)を採用しており、歴史的観察から生の視覚トークンと識別されたアクションをきめ細やかなアライメントを可能にする。 Ditaは、さまざまなカメラパースペクティブ、観察シーン、タスク、アクションスペースの横断的なデータセットを効果的に統合する。
  論文  参考訳（メタデータ） (2025-03-25T15:19:56Z)
• Diffusion Transformer Policy [48.50988753948537]
  本稿では,拡散変圧器ポリシー(Diffusion Transformer Policy)と呼ばれる多モード拡散変圧器を提案し,連続的なエンドエフェクタ動作をモデル化する。 トランスのスケーリング機能を活用することで、提案手法は、多種多様なロボットデータセットにわたる継続的エンドエフェクタアクションを効果的にモデル化することができる。
  論文  参考訳（メタデータ） (2024-10-21T12:43:54Z)

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。