論文の概要: Skeleton-Grounded Latent Action Model for Robot World Models

• arxiv url: http://arxiv.org/abs/2610.31474v1
• Date: Thu, 22 Oct 2026 16:01:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.468949
• Title: Skeleton-Grounded Latent Action Model for Robot World Models
• Title（参考訳）: ロボットワールドモデルのための骨格周囲の潜時行動モデル
• Abstract要約: SkeLAMは、制御可能なロボットワールドモデリングのための骨格誘導型潜在アクションモデルである。 潜伏動作を、ロボット骨格の監督によって基礎付けられた運動成分に分解する。 ADEを19.5%減らし、LPIPSを11.1%減らした。
• 参考スコア（独自算出の注目度）: 36.18312574686516
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Robot world models simulate how environments evolve in response to robot actions. Latent action models enable learning dynamics from videos by encoding visual transitions as proxy actions. However, reconstruction-driven latent actions mix robot motion with object responses and other scene changes, complicating their correspondence with robot controls. We propose SkeLAM, a skeleton-guided latent action model for controllable robot world modeling. SkeLAM decomposes latent actions into a kinematic component grounded by robot skeleton supervision and a residual component retaining complementary visual dynamics. Cross-modal swap reconstruction encourages RGB-derived and skeleton-derived kinematic representations to be interchangeable during video reconstruction. The world model incorporates both components through separate conditioning pathways, while branch dropout reduces its dependence on future-derived residual information. A lightweight adapter maps robot actions to the kinematic space, and subsequent world-model fine-tuning adapts generation to these predicted conditions. At inference, the model generates future observations from the current observation and robot actions. On DROID, SkeLAM reduces end-effector ADE by 19.5% and LPIPS by 11.1% compared with DreamDojo. Motion probing supports kinematic specialization, while qualitative results demonstrate zero-shot human-to-robot motion transfer in generated rollouts. Policy evaluation shows agreement between predicted success rates and those measured in real robot executions.
• Abstract（参考訳）: ロボットワールドモデルは、ロボットのアクションに応じて環境がどのように進化するかをシミュレートする。 遅延アクションモデルは、視覚遷移をプロキシアクションとしてエンコードすることで、ビデオからダイナミックスを学ぶことができる。 しかし、再構成駆動の潜伏動作は、ロボットの動きとオブジェクトの反応や他のシーンの変化を混合し、ロボット制御との対応を複雑にする。 制御可能なロボットワールドモデリングのための骨格誘導型潜伏動作モデルであるSkeLAMを提案する。 SkeLAMは潜伏動作を、ロボット骨格の監督と相補的な視覚力学を保持する残留成分によって基盤付けられた運動成分に分解する。 クロスモーダルスワップ再構成は、RGB由来および骨格由来のキネマティック表現をビデオ再構成時に交換できるようにする。 世界モデルは、両方のコンポーネントを別々の条件付け経路で組み込むが、分岐ドロップアウトは将来の残留情報への依存を減らす。 軽量アダプタはロボットの動作を運動空間にマッピングし、その後のワールドモデル微調整はこれらの予測条件に適応する。 推論において、モデルは現在の観察とロボットの動作から将来の観察を生成する。 DROIDでは、SkeLAMはDreamDojoと比較して、ADEを19.5%、LPIPSを11.1%削減している。 運動探索はキネマティックな特殊化をサポートし、定性的な結果は、生成されたロールアウトにおいてゼロショットの人間とロボットの運動移動を示す。 政策評価は、予測成功率と実際のロボット実行における測定結果との一致を示す。

関連論文リスト

• AffordanceWAM: Affordance-Aware Joint World-Action Modeling for Robot Manipulation [61.436480565887905]
  汎用的なロボット操作は、シーンがどのように進化するかを予測する必要がある。 アクションラベル付きロボットビデオは、直接制御を監督するが、コストが高く、多様性に制限がある。 本稿では,Scalr Affordance と Affordance Heatmap によるオブジェクトの空き時間を表す,空き時間を考慮した World Action Model を提案する。
  論文  参考訳（メタデータ） (2026-09-16T14:07:06Z)
• DELE-w0.5: Inferring Action from Future Latent State for Robotic Manipulation [11.665741844323984]
  我々は、ビデオ生成がワールドアクションモデリングの不要な目的であると主張している。 ロボット操作においては、世界モデルの目的は、中間の瞬間に世界がどのように見えるかを再現するのではなく、アクションの実行後に世界が到達する状態を予測することである。 本稿では,映像生成に頼らずに将来予測状態からロボット動作を推定するDELE-w0.5を提案する。
  論文  参考訳（メタデータ） (2026-08-22T18:17:36Z)
• Hydra-0: Action Flow for Generalist World Modeling and Control [64.88849745875753]
  Hydra-0はアクションフローを条件とした世界モデルであり、ロボットの動きをピクセルの動きとして表現している。 我々の最良の構成は、90.4%のロボットモーションエラー、60.2%のオブジェクトモーションエラーを達成する。 訓練されたアクションヘッドは、タスク固有の専門家ロボットのデモンストレーションを必要とせずに、得られた潜在機能を実行可能なアクションにマッピングする。
  論文  参考訳（メタデータ） (2026-08-18T17:59:30Z)
• Robot-Factored World Models via Robot Rendering [25.12876640584098]
  アクション条件付きビデオワールドモデルは、初期観測と行動信号から将来の観測を予測する。 本研究では,ロボット特異的な2つの要素を世界モデル外へ移動させるロボット駆動世界モデルを提案する。 実験により, レンダリングインタフェースはベクトル条件付きベースラインより優れており, 未知のロボットエンボディメント推論に一般化されていることがわかった。
  論文  参考訳（メタデータ） (2026-07-24T17:59:57Z)
• Masked Visual Actions for Unified World Modeling [96.12988421978463]
  Masked Visual Actionsは、ビデオ内の任意の実体の部分的に明らかな軌跡としてアクションを表現するピクセル空間制御インタフェースである。 Revealing Robot Motionは、このモデルをフォワードダイナミクスモデルとして機能させ、低レベルのロボット動作に対するシーンの反応を予測する一方で、望ましい物体の動きを明らかにすることにより、同じモデルがロボットの動作をその結果と一致させる。
  論文  参考訳（メタデータ） (2026-07-21T17:59:11Z)
• Physical Autoregressive Model for Robotic Manipulation without Action Pretraining [65.8971623698511]
  我々は、自己回帰ビデオ生成モデルを構築し、物理自己回帰モデル(PAR)を提案する。 PARは、アクション事前トレーニングを必要とせず、物理力学を理解するために、ビデオ事前トレーニングに埋め込まれた世界の知識を活用する。 ManiSkillベンチマークの実験は、PARがPushCubeタスクで100%の成功率を達成したことを示している。
  論文  参考訳（メタデータ） (2025-08-13T13:54:51Z)

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。