論文の概要: World Dreamer v5-lite: A Multi-Robot World Action Model with One Dreamer

• arxiv url: http://arxiv.org/abs/2610.37518v1
• Date: Tue, 27 Oct 2026 16:40:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-29 04:15:49.277079
• Title: World Dreamer v5-lite: A Multi-Robot World Action Model with One Dreamer
• Title（参考訳）: World Dreamer v5-lite: マルチロボットの世界アクションモデル
• Abstract要約: World Dreamer v5-liteは、ロボット固有のアクション予測のために、共有された世界状態を中心に構築されたマルチロボットのワールドアクションモデルである。 視覚言語モデルは、シーンコンテキストとロボット毎のクエリを提供する。 マスクビュー協調訓練は、すべてのアクション目標を維持しながら、両方の視覚枝から選択されたカメラビューを保持する。
• 参考スコア（独自算出の注目度）: 5.7289978989924215
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-robot control requires integrating distributed camera views while predicting separate action sequences. Most vision-language-action and world-action models target one robot. Combining multiple views alone does not establish spatial correspondence between them. World Dreamer v5-lite is a multi-robot world-action model built around a shared world state for robot-specific action prediction. Calibrated features from a pretrained video encoder populate this state in workspace coordinates; its spatial size remains fixed as views are added. A vision-language model provides scene context and one query per robot. The queries read the shared state and exchange pose-aware information, while their action streams remain separate. Masked-view cooperative training withholds selected camera views from both visual branches while retaining all action targets. This encourages the use of observations shared by other robots. Pretraining uses more than 10,000 hours of trajectories from 20 simulated robot types, RoboFactory, and real robots. On RoboFactory, World Dreamer v5-lite achieves 74.0% mean success, 23.7 percentage points above the strongest evaluated baseline. Across four real-robot tasks, it reaches 78.8% mean success, a margin of 13.8 points. It also reaches 58.08% overall on RoboCasa365.
• Abstract（参考訳）: マルチロボット制御では、別々のアクションシーケンスを予測しながら、分散カメラビューを統合する必要がある。 ほとんどの視覚-言語-アクションと世界-アクションモデルは、1つのロボットをターゲットにしている。 複数のビューを単独で組み合わせても、それらの間の空間的対応は確立しない。 World Dreamer v5-liteは、ロボット固有のアクション予測のために、共有された世界状態を中心に構築されたマルチロボットのワールドアクションモデルである。 予め訓練されたビデオエンコーダの校正された特徴はこの状態をワークスペース座標に蓄積する。 視覚言語モデルは、シーンコンテキストとロボット毎のクエリを提供する。 クエリは共有状態を読み、ポーズ対応情報を交換するが、アクションストリームは分離されているままである。 マスクビュー協調訓練は、すべてのアクション目標を維持しながら、両方の視覚枝から選択されたカメラビューを保持する。 これにより、他のロボットが共有する観察の使用が促進される。 Pretrainingは、20種類の模擬ロボット、RoboFactory、そして本物のロボットの1万時間以上の軌道を利用する。 RoboFactoryでは、World Dreamer v5-liteが74.0%の平均的な成功を達成し、23.7%が最強評価ベースラインを上回っている。 4つの実際のロボットタスクの中で78.8%が成功し、マージンは13.8ポイントに達した。 また、RoboCasa365では58.08%に達する。

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)
• Ego2Robot: Scalable Robot Data Synthesis from Egocentric Human Data [60.94418315274988]
  Ego2Robotは、キュレートされたビデオとインザワイルドのビデオの両方をサポートし、15のロボット形態にまたがる18,561時間のトレーニングデータを生成する。 Ego2Robotの合成データとロボットデータの併用による事前学習は、複数のタイプにわたるアウト・オブ・ディストリビューションの一般化を一貫して改善する。
  論文  参考訳（メタデータ） (2026-08-03T17:52:26Z)
• 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)
• Uni-LaViRA: Language-Vision-Robot Actions Translation for Unified Embodied Navigation [60.07205156194741]
  身体的なナビゲーションでは、エージェントが言語や視覚的な観察を、実際に見たことのない環境を通して実際のロボットを駆動する空間的な行動の流れにマッピングする必要がある。 統合エージェントアーキテクチャであるUni-LaViRAを4つのタスクファミリと4つの異種実ロボットに拡張する。
  論文  参考訳（メタデータ） (2026-05-26T18:52:04Z)
• H2R-Grounder: A Paired-Data-Free Paradigm for Translating Human Interaction Videos into Physically Grounded Robot Videos [58.006918399913665]
  本稿では,通常の人間と物体のインタラクションビデオからモーション一貫性のあるロボット操作ビデオに変換するビデオ間翻訳フレームワークを提案する。 私たちのアプローチでは、ロボットビデオのセットのみをトレーニングするために、ペアの人間ロボットビデオは必要とせず、システムを拡張しやすくしています。 テスト時にも同じプロセスを人間のビデオに適用し、人間の行動を模倣する高品質なロボットビデオを生成する。
  論文  参考訳（メタデータ） (2025-12-10T07:59:45Z)
• Vid2Robot: End-to-end Video-conditioned Policy Learning with Cross-Attention Transformers [36.497624484863785]
  Vid2Robotは、人間のビデオで操作タスクを入力として表現し、ロボットアクションを生成する、エンドツーエンドのビデオ条件付きポリシーである。 我々のモデルは、ビデオから人間とロボットのアクションの統一表現を学習するために、プロンプトロボット軌道対の大規模なデータセットを用いて訓練されている。 実世界のロボット上でのVid2Robotの評価を行い、人間のプロンプトビデオを用いた場合、BC-Zよりも20%以上の改善が見られた。
  論文  参考訳（メタデータ） (2024-03-19T17:47:37Z)
• Learning Generalizable Robotic Reward Functions from "In-The-Wild" Human Videos [59.58105314783289]
  ドメインに依存しないビデオ識別器(DVD)は、2つのビデオが同じタスクを実行しているかどうかを判断するために識別器を訓練することによりマルチタスク報酬関数を学習する。 DVDは、人間のビデオの広いデータセットで少量のロボットデータから学習することで、一般化することができる。 DVDと視覚モデル予測制御を組み合わせることで、実際のWidowX200ロボットのロボット操作タスクを単一の人間のデモから未知の環境で解決できます。
  論文  参考訳（メタデータ） (2021-03-31T05:25:05Z)

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。