論文の概要: OSWAM: An Effective World Action Model with One-Step Action Generation

• arxiv url: http://arxiv.org/abs/2610.35850v1
• Date: Mon, 26 Oct 2026 17:57:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:14.137684
• Title: OSWAM: An Effective World Action Model with One-Step Action Generation
• Title（参考訳）: OSWAM:ワンステップアクション生成による効果的なワールドアクションモデル
• Abstract要約: 自律運転と具体化制御のためのワンステップアクション生成,すなわちOSWAMを用いた効果的な世界行動モデルを提案する。 本研究では,将来の行動生成を促進するために,将来の条件付き特権情報蒸留を導入する。 OSWAMは、数歩のステップを必要とする直接政治のWAMやジョイント・WAMよりも、自律運転と具体的制御の両方において同等またはそれ以上の結果を得る。
• 参考スコア（独自算出の注目度）: 20.559905346676647
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Direct-policy World Action Models (WAM) have demonstrated the benefits of decoupling action generation from explicit future visual prediction for efficient inference in autonomous driving and embodied control. However, they still require tens of denoising steps to achieve competitive action quality, incurring substantial latency and hindering real-time deployment. Simply reducing the number of denoising steps will collapse the nonlinear multi-step denoising trajectory into coarse updates, substantially degrading action quality. To reduce the denoising steps while enabling real-time action generation, we present an effective world action model with one-step action generation, namely OSWAM, for autonomous driving and embodied control. We argue that it is the absence of structured action priors in random noise initialization that forces direct-policy WAMs to recover coherent action sequences through iterative denoising. Hence, we construct imagination tokens to initialize the diffusion process, providing physical priors and action-conditioned representations. We further introduce privileged information distillation with future conditioning to enhance future-aware action generation. As a result, OSWAM can efficiently and effectively generate high quality actions in just one diffusion step. Our experiments demonstrate that OSWAM achieves comparable or even better results in both autonomous driving and embodied control than direct-policy WAM and Joint-WAM that require tens of steps. It obtains approximately $3\times$ speedup over direct-policy WAM baselines and supports real-time compiled inference with latency as low as 40ms on an NVIDIA RTX 5090 GPU. The project page is available at https://gwenzhang.github.io/OSWAM/
• Abstract（参考訳）: 直接政治世界行動モデル(WAM)は、自律運転における効率的な推論と具体化制御のために、将来の視覚的予測から行動生成を分離する利点を実証している。 しかしながら、競争力のあるアクション品質を達成するためには、数十のデノベーションステップが必要であり、相当なレイテンシが発生し、リアルタイムデプロイメントを妨げている。 単純にデノナイジングステップの数を減らせば、非線形多段デノナイジング軌道が粗い更新に崩壊し、動作品質が著しく低下する。 実時間動作生成を実現しつつ、デノナイジングステップを低減するため、自律運転と実施制御のためのワンステップ動作生成、すなわちOSWAMを用いた効果的な世界行動モデルを提案する。 我々は、直接政治のWAMが反復的復調によってコヒーレントな行動系列を回復させるような、ランダムノイズ初期化における構造化された行動先行がないことを論じる。 したがって,拡散過程を初期化するためにイマジネーショントークンを構築し,物理的先行と行動条件表現を提供する。 さらに,今後の行動生成を促進するために,将来の条件付き特権情報蒸留を導入する。 その結果、OSWAMは1つの拡散ステップで効率よく効果的に高品質な動作を生成できる。 我々の実験は、OSWAMが直接政治のWAMやジョイント・WAMよりも、自律運転と実施制御の両面で同等あるいはそれ以上の結果が得られることを示した。 NVIDIA RTX 5090 GPUで40msのレイテンシでリアルタイムコンパイルされた推論をサポートする。 プロジェクトページはhttps://gwenzhang.github.io/OSWAM/で公開されている。

関連論文リスト

• Urgent Actions Go First: Urgency-Aware Denoising for Real-Time VLA Control [18.40902134276604]
  既存の加速法は、アクションチャンクをモノリシックな計算単位として扱う。 UAD(Urgency-Aware Denoising)は、各アクションが物理的に必要になったときに応じてデノイングを割り当てる新しい推論時間フレームワークである。 UADは、物理実行による尾アクションの継続的なバックグラウンド改善を重複しながら、ステップを減らした後、時間クリティカルな緊急アクションをリリースする。
  論文  参考訳（メタデータ） (2026-09-29T15:13:14Z)
• ActionUNet: Improving Robustness of VLA Models with Efficient Multi-scale Fine-tuning [6.34168955365431]
  ActionUNetは、Vision-Language-Action(VLA)モデルの効率的なマルチスケール微調整フレームワークである。 我々は,ActionUNetが0.5の成功率を,それぞれ9.8%,6.1%,11.4%で著しく向上させることを示した。
  論文  参考訳（メタデータ） (2026-09-28T11:57:00Z)
• Latent evolving World Action Model [58.32634534358966]
  世界行動モデル(WAM)における視覚的表現が行動生成に与える影響について検討する。 本稿では,JEPA埋め込みにおけるアクション生成を条件としたLeWAMを提案する。 LeWAMはRoboTwin 2.0の平均成功率は92.28%であり、最先端のVLAやWAMに匹敵する。
  論文  参考訳（メタデータ） (2026-09-23T07:22:43Z)
• StructRL: Structured Action-Space Exploration for Flow-Based VLAs [81.43458629514139]
  フローベースのビジョン・ランゲージ・アクションモデルは現在、連続的なロボット操作に広く使われている。 オンライン強化学習は、それらを新しいタスクに適応するための重要なテクニックとして浮上している。 動作群間で時間的にスムーズかつスケールの異なる,構造的雑音に対する効果的なロボット探索の必要性を示す。
  論文  参考訳（メタデータ） (2026-08-15T09:31:29Z)
• Training-Free Acceleration for Vision-Language-Action Models with Action Caching and Refinement [1.0279917564173053]
  VLA(Vision-Language-Action)モデルは、汎用可能なロボット操作のための有望なアプローチとして登場した。 我々はActionCacheを提案する。ActionCacheはプラグイン・アンド・プレイの外部キャッシュで、過去の中間アクションをウォームスタート世代に再利用する。 シミュレーションおよび実環境における実験結果から、ActionCacheは低レイテンシのシステムにおいて高いタスク成功率を維持していることが示された。
  論文  参考訳（メタデータ） (2026-07-07T15:10:15Z)
• A1: A Fully Transparent Open-Source, Adaptive and Efficient Truncated Vision-Language-Action Model [112.9420001646428]
  VLA(Vision-Language-Action)モデルは、オープンワールドロボット操作の強力なパラダイムとして登場したが、実際の展開はコストに制約されることが多い。 我々は、低コストで高スループットな推論のために設計された、完全にオープンソースで透明なVLAフレームワークであるA1を提示する。 A1は最先端の成功率を達成すると同時に、推論コストを大幅に削減する。
  論文  参考訳（メタデータ） (2026-04-07T10:18:40Z)
• Action-to-Action Flow Matching [25.301629044539325]
  拡散に基づく政策は、最近、条件付き認知過程として行動予測を定式化することで、ロボット工学において顕著な成功を収めた。 本稿では,A2A(Action-to-Action Flow Match)を提案する。 A2Aは単一の推論ステップ(0.56msレイテンシ)で高品質なアクション生成を可能にし、視覚摂動に優れた堅牢性を示し、目に見えない構成に一般化する。
  論文  参考訳（メタデータ） (2026-02-07T02:39:49Z)
• One-Step Diffusion Policy: Fast Visuomotor Policies via Diffusion Distillation [80.71541671907426]
  OneStep Diffusion Policy (OneDP)は、事前訓練された拡散政策から知識を単一ステップのアクションジェネレータに蒸留する新しいアプローチである。 OneDPはロボット制御タスクの応答時間を著しく短縮する。
  論文  参考訳（メタデータ） (2024-10-28T17:54:31Z)

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。