論文の概要: PRIME W0: Physical Priors from World Models for Embodied Manipulation

• arxiv url: http://arxiv.org/abs/2610.39528v2
• Date: Tue, 03 Nov 2026 12:11:43 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:43:20.143194
• Title: PRIME W0: Physical Priors from World Models for Embodied Manipulation
• Title（参考訳）: PRIME W0: 身体操作のための世界モデルからの物理プライオリティ
• Abstract要約: 本稿では,VLAモデルのための条件付きフローマッチングフレームワークPRIME W0を提案する。 PRIME W0は、VLM前訓練、DAT/NTP前訓練、WM注入によるDiTフローマッチングデコーダ組立、エンドツーエンドSFTの4段階で訓練される。
• 参考スコア（独自算出の注目度）: 8.685660791775689
• License:
• Abstract: Vision-Language-Action (VLA) models excel at instruction following, yet most remain feed-forward: they condition actions only on the current observation and discard both long-horizon temporal context and the hierarchical structure of VLM representations. We present PRIME W0, a hierarchical conditional flow-matching framework that closes this gap through three synergistic designs: (1)per-layer KV injection from a pretrained VLM into an Adaptive MoE action expert; (2)dynamics-aware conditioning via asynchronous world-model subgoal-image prediction and a DINOv2 historical-frame semantic bridge; and (3)Action Dynamic Manifold (ADM) flow matching with covariance-structured noise that respects robot kinematic coupling. PRIME W0 is trained in four stages---VLM pre-training, DAT/NTP visuomotor pre-training, DiT flow-matching decoder assembly with WM injection, and end-to-end SFT---and achieves state-of-the-art results on LIBERO and real-robot benchmarks, with systematic ablations validating each architectural component.
• Abstract（参考訳）: VLA(Vision-Language-Action)モデルは命令の処理において優れているが、ほとんどのモデルはフィードフォワードに留まり、現在の観測にのみアクションを条件付け、VLM表現の時間的時間的文脈と階層構造の両方を捨てる。 本稿では,(1)事前学習したVLMから適応型MoEアクションエキスパートへのKV単層注入,(2)非同期世界モデルサブゴアルイメージ予測とDINOv2履歴フレームセマンティックブリッジによる動的条件付け,(3)ロボットキネマティック結合を尊重する共分散型ノイズに適合したAction Dynamic Manifold (ADM)フローの3つの相乗的設計により,このギャップを埋める階層的条件マッチングフレームワークであるPRIME W0を提案する。 PRIME W0は、VLM事前トレーニング、DAT/NTPビズモータ事前トレーニング、WM注入によるDiTフローマッチングデコーダアセンブリ、エンドツーエンドのSFT-の4段階でトレーニングされ、LIBEROおよび実ロボットベンチマークで最先端の結果が得られ、各アーキテクチャコンポーネントを体系的に検証する。

関連論文リスト

• AC-VLA: Robust Out-of-Distribution Action Execution via Compositional Learning [52.47988016454267]
  VLA(Vision-Language-Action)モデルは、エンドツーエンドのロボット操作において優れているが、アウト・オブ・ディストリビューション(OOD)の一般化に苦慮している。 構成的サブスキルのセマンティクスよりも全体論的軌道パターンに過度に適合するEmphtrajectory overfittingと、世界空間の接地を犠牲にして手首面のテクスチャを過度に強調するEmphperceptual shortcutの2つの相互強化モードを同定する。 textbfAC-VLA, プラグアンドプレイアクション構成学習について紹介する。
  論文  参考訳（メタデータ） (2026-07-17T07:51:03Z)
• Bridging Semantics and Kinematics: A Modular Framework for Zero-Shot Robotic Manipulation [0.6927055673104934]
  このアーキテクチャは、視覚行動パイプラインを視覚認識、意味解釈、タスク実行の3段階に分解することで、高レベルの推論と低レベルの運動学のギャップを埋める。 このフレームワークは、制約のないオープンワールドシーケンシャルな操作と密接なリレーショナルな空間的推論という、2つのゼロショット実験装置で評価される。
  論文  参考訳（メタデータ） (2026-06-22T11:01:56Z)
• AffordanceVLA: A Vision-Language-Action Model Empowering Action Generation through Affordance-Aware Understanding [55.535374902204296]
  AffordanceVLAは、タスク指向の中間表現として構造化された価格予測を導入する統一フレームワークである。 AffordanceVLAは様々な操作シナリオで高いパフォーマンスを実現していることを示す。
  論文  参考訳（メタデータ） (2026-06-04T13:28:51Z)
• DIAL: Decoupling Intent and Action via Latent World Modeling for End-to-End VLA [72.9197085473598]
  DIALはハイレベルな意思決定と低レベルなモーター実行を、差別化可能な潜在意図ボトルネックを通じてブリッジするフレームワークである。 VLMベースのSystem-2は、VLMのネイティブな特徴空間内で、潜伏した視覚的フォレストによって潜伏世界モデリングを行う。 軽量のSystem-1ポリシーでは、この予測された意図と現在の観測結果を正確にロボットの動作にデコードする。
  論文  参考訳（メタデータ） (2026-03-31T15:02:27Z)
• DM0: An Embodied-Native Vision-Language-Action Model towards Physical AI [84.9072161615971]
  我々は,物理AI用に設計された身体的負の視覚・言語・アクション・フレームワークであるDM0を提案する。 当社の方法論は,事前トレーニング,中級トレーニング,ポストトライニングという,包括的な3段階のパイプラインに従っています。 RoboChallengeベンチマークの実験では、DM0はスペシャリストとジェネリリストの両方で最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-02-16T17:59:16Z)
• Reshaping Action Error Distributions for Reliable Vision-Language-Action Models [69.38615670891038]
  ロボット操作において、視覚言語アクション(VLA)モデルは、一般化可能でスケーラブルなロボットポリシーを学ぶための有望なパラダイムとして登場した。 連続動作型VLAモデルに焦点をあて、トレーニング中の動作誤差分布を再構成することにより、従来のMSEベースの回帰を超越する。 複数の代表的VLAアーキテクチャ上で、標準、少数ショット、ノイズの多い設定にまたがるアプローチを評価します。
  論文  参考訳（メタデータ） (2026-02-04T05:37:09Z)
• InternVLA-A1: Unifying Understanding, Generation and Action for Robotic Manipulation [77.07565723756119]
  InternVLA-A1は動的予測機能を備えた視覚言語モデルである。 我々は、実世界のロボットデータ、合成シミュレーションデータ、人間のビデオなどを用いて、これらのモデルを異種データソース上で事前訓練する。 InternVLA-A1を実世界の12のロボットタスクとシミュレーションベンチマークで評価した。
  論文  参考訳（メタデータ） (2026-01-05T18:54:29Z)
• iFlyBot-VLA Technical Report [25.330744626382977]
  iFlyBot-VLA(iFlyBot-VLA)は、新しいフレームワークでトレーニングされた大規模ビジョン・ランゲージ・アクション(VLA)モデルである。 主なコントリビューションは,(1)大規模人体とロボットの操作映像を徹底的に訓練した潜在行動モデル,(2)視覚言語モデル(VLM)と訓練中のアクションエキスパートを協調的に監督する2段階の行動表現フレームワーク,(3)ロボット軌道データと一般的なQAデータセットと空間QAデータセットを組み合わせた混合トレーニング戦略である。
  論文  参考訳（メタデータ） (2025-11-01T06:24:56Z)

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。