論文の概要: Trace-WAM: Learning to Act via 3D Motion Prediction for World Action Models

• arxiv url: http://arxiv.org/abs/2610.36840v1
• Date: Tue, 27 Oct 2026 08:38:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-29 04:15:49.247236
• Title: Trace-WAM: Learning to Act via 3D Motion Prediction for World Action Models
• Title（参考訳）: トレースWAM:世界行動モデルのための3次元運動予測による行動学習
• Abstract要約: Trace-WAMは、将来の3Dモーション予測を補助目的としてビデオアクション学習を強化する。 我々は、映像予測、モーション予測、アクション生成を共同で学習するために、3分岐のMixture-of-Transformer(Tri-MoT)アーキテクチャを採用する。 RoboCasa-GR1, LIBERO, LIBERO-Plusの実験では, 分配性能と分布外一般化が強く示された。
• 参考スコア（独自算出の注目度）: 25.100479944006583
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: World Action Models (WAMs) learn representations for robot control by coupling future visual prediction with action generation. Successful manipulation depends primarily on how the robot and task-relevant objects evolve, whereas future-video prediction must also reconstruct the appearance and background of the entire scene. We therefore propose Trace-WAM, which augments video-action learning with future 3D motion prediction as an auxiliary objective. This objective supervises temporal point correspondence together with image-plane displacement and depth change, directly describing the interaction dynamics and spatial changes involved in manipulation. To this end, we adopt a three-branch Mixture-of-Transformer (Tri-MoT) architecture to jointly learn video prediction, motion prediction, and action generation. The motion expert predicts future trajectories from current visual features, allowing motion supervision to shape the representations used for action generation. Because the action expert does not consume predicted trajectories, inference retains the current-observation policy path: a single visual forward pass followed by action denoising. Experiments on RoboCasa-GR1, LIBERO, and LIBERO-Plus demonstrate strong in-distribution performance and out-of-distribution generalization, with particularly clear gains over Fast-WAM under limited demonstrations and distribution shifts.
• Abstract（参考訳）: 世界行動モデル(WAM)は、未来の視覚予測と行動生成を結合することにより、ロボット制御のための表現を学習する。 操作はロボットとタスク関連オブジェクトの進化に大きく依存するが、将来のビデオ予測はシーン全体の外観と背景を再構築する必要がある。 そこで我々は,将来の3Dモーション予測による映像行動学習を補助目的とするTrace-WAMを提案する。 この目的は、画像平面の変位や深さの変化とともに時間点対応を監督し、操作に関わる相互作用のダイナミクスと空間的変化を直接記述する。 そこで我々は,映像予測,モーション予測,アクション生成を共同で学習するために,3分岐のMixture-of-Transformer (Tri-MoT)アーキテクチャを採用する。 運動専門家は、現在の視覚的特徴から将来の軌跡を予測し、運動監督はアクション生成に使用される表現を形作ることができる。 アクションエキスパートは予測された軌道を消費しないため、推論は現在の観測ポリシーパスを保持します。 RoboCasa-GR1, LIBERO, LIBERO-Plusの実験は, 限定的な実演および分布シフト下でのFast-WAMよりも特に顕著な増加率を示した。

関連論文リスト

• TrajWAM: An Efficient Trajectory-Guided World Action Model for Dynamic Robotic Manipulation [30.85327930901676]
  我々は,効率的な動的ロボット操作のための軌道誘導世界行動モデルであるTrajWAMを提案する。 我々の重要な洞察は、予測対象運動における将来の視覚的想像力を明確に理解することである。 軽量なトラジェクトリ制御ネットは、トラジェクトリ一貫性のある未来に向けて、事前訓練されたビデオモデルを操縦する。
  論文  参考訳（メタデータ） (2026-10-19T04:21:22Z)
• Perceive, Predict, and Plan: a Unified World Action Model for Egocentric Dexterous Manipulation [53.00741268465108]
  P$3$-WAMは、エゴセントリックなデキスタラスな操作のための統一された世界アクションモデルである。 我々のモデルは、コンパクトで構造化された3Dアクション表現を事前訓練されたビデオ拡散変換器に統合する。 本モデルは,4つのデータセットにまたがる3次元手指再建と動作条件付き映像予測の専門的ベースラインに優れる。
  論文  参考訳（メタデータ） (2026-10-15T17:59:07Z)
• Magic-W0: A Structured World-Action Foundation Model for Physical Intelligence [15.387507304280179]
  我々は、構造化された物理的状態の進化と連続的な動作を共同でモデル化する世界行動基盤モデルMagic-W0を紹介する。 現在の状態は、視覚言語コンテキストと現在の3D幾何を組み合わせたものであり、遷移は3Dモーションで表される。 将来の状態は、タスク関連の結果を記述する将来のセマンティックスによって表現される。
  論文  参考訳（メタデータ） (2026-09-30T14:49:55Z)
• 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)
• SelfWAM: A Self-Grounded Unified World Action Model for Fast Robot Control [38.11007351456953]
  世界行動モデル(WAM)は、アクションと将来の観察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。 本稿では,モダリティに特化したMixture-of-Transformers (MoT) アーキテクチャ上に構築された,自己接地型WAMであるSelfWAMを紹介する。 我々は、より行動に敏感な未来を生み出し、迅速な政策推論を保ちつつ、政策性能を改善していることを示す。
  論文  参考訳（メタデータ） (2026-08-01T15:47:29Z)
• From Human Videos to Robot Manipulation: A Survey on Scalable Vision-Language-Action Learning with Human-Centric Data [71.22409934108924]
  人間のビデオは豊富で、豊富な相互作用を捉え、現実世界の操作に多様な意味と物理的な手がかりを提供する。 この調査は、人間のビデオがビジョン・ランゲージ・アクション(VLA)モデルの効果的な知識にどのように変換されるか、統一された視点を提供する。 この領域では、非構造化動画をトレーニング可能なエピソードに構造化すること、エンボディメントと視点の不均一性の下でロボットが実行可能なアクションにビデオから制御すること、現実世界の展開性能と転送効率をよりよく予測する評価プロトコルを設計すること、の3つのオープンな課題を強調している。
  論文  参考訳（メタデータ） (2026-05-18T06:19:16Z)
• 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)
• GigaWorld-Policy: An Efficient Action-Centered World--Action Model [50.107640832046464]
  GigaWorld-Policyはアクション中心のWAMで、2Dピクセルアクションのダイナミクスを学習し、オプションのビデオ生成で効率的なアクションデコーディングを可能にする。 実世界のロボットプラットフォームでの実験結果によると、GigaWorld-Policyは主要なWAMベースラインであるMotusの9倍高速で動作する。
  論文  参考訳（メタデータ） (2026-03-18T00:52:02Z)

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。