論文の概要: GAWM: A Compact Latent World-Action Model for Multi-Task Robot Manipulation

• arxiv url: http://arxiv.org/abs/2610.37091v1
• Date: Tue, 27 Oct 2026 11:55:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.5801
• Title: GAWM: A Compact Latent World-Action Model for Multi-Task Robot Manipulation
• Title（参考訳）: GAWM:マルチタスクロボットマニピュレーションのための小型潜時ワールドアクションモデル
• Abstract要約: 凍ったDINOv3エンコーダの潜伏空間における将来の観測を予測できる小型マルチタスクWAMであるGAWMを提案する。 軽量な予測器は、アクションではなくタスクに条件付けされ、これらのトークンを2つの将来の地平線で予測する。
• 参考スコア（独自算出の注目度）: 7.48938510934461
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: World-action models (WAMs) incorporate the prediction of future observations into robot policy learning. However, most WAMs build on billion-parameter vision-language or video-generation backbones, which incur high training cost and inference latency. In this letter, we present GAWM (Geometry-Aware World Model), a compact multi-task WAM that predicts future observations in the latent space of a frozen DINOv3 encoder. GAWM compresses the features of each camera view into a small set of tokens. A lightweight predictor, conditioned on the task rather than on actions, forecasts these tokens at two future horizons. The forecast is supervised with the dense patch features of future frames, which requires it to encode the spatial layout of the future scene. An action decoder directly regresses a chunk of future actions from the current and predicted tokens. With fewer than 100M parameters and no robot or video pretraining, GAWM outperforms billion-parameter WAMs on RoboTwin 2.0 and performs comparably to billion-parameter VLAs on LIBERO. On a dual-arm robot, it achieves lower action-prediction error on held-out demonstrations than a fine-tuned billion-parameter VLA, with substantially lower inference latency. Ablation studies show that the latent world model substantially improves performance when training data or training time is limited. Code is available at https://github.com/gaoxiang12/ga-wm.
• Abstract（参考訳）: 世界行動モデル(WAM)は、将来の観測の予測をロボットポリシー学習に組み込む。 しかしながら、ほとんどのWAMは、数十億パラメトリックのビジョン言語またはビデオ生成バックボーンをベースとして構築されており、高いトレーニングコストと推論遅延を引き起こす。 本稿では,凍ったDINOv3エンコーダの潜伏空間における将来の観測を予測できる小型マルチタスクWAMであるGAWM(Geometry-Aware World Model)を提案する。 GAWMは各カメラビューの特徴を小さなトークンセットに圧縮する。 軽量な予測器は、アクションではなくタスクに条件付けされ、これらのトークンを2つの将来の地平線で予測する。 予測は、将来のフレームの密集したパッチの特徴によって管理され、将来のシーンの空間的レイアウトをエンコードする必要がある。 アクションデコーダは、現在のトークンと予測トークンから直接、将来のアクションの断片を回帰する。 GAWMは1億パラメータ未満で、ロボットやビデオの事前トレーニングがないため、RoboTwin 2.0では10億パラメータのWAMを上回り、LIBEROでは10億パラメータのVLAと互換性がある。 デュアルアームロボットでは、細調整された10億パラメータのVLAよりも、ホールドアウトデモでのアクション予測誤差が低く、推論レイテンシが著しく低い。 アブレーション研究により、潜在世界モデルはトレーニングデータやトレーニング時間に制限がある場合、パフォーマンスを大幅に改善することが示された。 コードはhttps://github.com/gaoxiang12/ga-wm.comで入手できる。

関連論文リスト

• MiniWAM: Learning Compact Future Targets for Efficient World-Action Modeling [17.591153541878047]
  MiniWAMは、特権付き現在の遷移から学んだコンパクトな未来の表現を予測する。 PRISMは、逆力学の監督と特徴再構成を組み合わせることで、制御関連遷移情報を強調する。 MiniWAMは、DINOv3とWAN2.1のVAE機能により、ネイティブな将来の予測を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-10-08T15:51:53Z)
• Long-WAM: Scaling the Context of World-Action Models [67.37382442651268]
  Long-WAMは、リアルタイム制御制約の下で因果世界アクションモデルのコンテキストをスケールするためのフレームワークである。 まず、アクションラベルのないロボットやエゴセントリックなビデオから因果予測を学習し、世界行動適応時のこの歴史と未来構造を保存する。
  論文  参考訳（メタデータ） (2026-10-07T17:58:04Z)
• One from Infinity: Actualizing Futures from Pretrained World Models into Robot Actions [52.542279563757724]
  映像の世界モデルでは、シーンの多くの有望な未来が認められるが、ロボットは正確なタスク条件に気付く必要がある。 我々は、このタスクを現実化として形式化し、フリーズワールドモデルによって提供された事前のタスク条件の選択と実現を学習する。 我々は,冷凍世界モデルエンコーダ上に,最大60万パラメータのRoboActualizerを実装した。 現実化器は2つの軽量なDiT専門家で構成されており、将来的な潜伏剤とフローマッチングによるアクションを共同で予測する。
  論文  参考訳（メタデータ） (2026-09-29T00:05:24Z)
• LaWAM: Latent World Action Models for Efficient Dynamics-Aware Robot Policies [31.88655699486955]
  ラワント・アクション条件付きラワント・ワールドモデル(LaWM)を提案する。 LaWAMは、将来のビデオの再構成ではなく、コンパクトで潜伏した視覚サブゴールを通じて、ロボットポリシーに対する予測ダイナミクスを公開する。 LaWAMはアクションチャンク予測あたり187msで動作し、画素空間のWAMよりも最大24倍の遅延時間を実現する。
  論文  参考訳（メタデータ） (2026-06-14T12:06:58Z)
• 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。