論文の概要: W2A: Distilling World Priors into Action Models for Real-Time Robotic Control

• arxiv url: http://arxiv.org/abs/2611.02600v1
• Date: Mon, 02 Nov 2026 06:25:24 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:47:41.759586
• Title: W2A: Distilling World Priors into Action Models for Real-Time Robotic Control
• Title（参考訳）: W2A:実時間ロボット制御のための行動モデルへの世界優先の蒸留
• Abstract要約: World Action Models (WAMs)は、ロボット制御において、大規模な事前訓練されたビデオモデルの将来的な想像力の恩恵を受け、大きな将来性を示している。 ほとんどの既存のWAMでは、テスト時に将来の状態を明示的に想像する必要があるため、計算上のオーバーヘッドと遅延が発生し、リアルタイムのロボット制御には適さない。 実時間ロボット操作のための2段階の蒸留フレームワークであるW2Aを提案する。ビデオ拡散モデルから中間的認知表現を訓練中に動作モデルに蒸留し,テスト時にビデオモデルを完全に破棄する。
• 参考スコア（独自算出の注目度）: 13.592777012865175
• License:
• Abstract: World Action Models (WAMs) have recently shown great promise in robotic control, benefiting from the future imagination capability of large-scale pretrained video models. However, most existing WAMs require explicitly imagining future states at test time, incurring substantial computational overhead and latency that make them unsuitable for real-time robotic control. In this paper, we propose W2A, a two-stage distillation framework for real-time robotic manipulation that distills intermediate denoising representations from a video diffusion model into an action model during training, while entirely discarding the video model at test time. We hypothesize that although video latent representations are high-dimensional, a compressed low-dimensional subspace is sufficient to provide effective supervision for action generation. This makes it possible to transfer such information effectively into an action model. Extensive experiments in both simulation and real-world settings demonstrate competitive success rates while significantly improving inference efficiency. On LIBERO, W2A achieves a 95.9% average success rate. More importantly, W2A achieves about 21x faster inference than the representative WAM baseline.
• Abstract（参考訳）: World Action Models (WAMs)は、ロボット制御において、大規模な事前訓練されたビデオモデルの将来的な想像力の恩恵を受け、大きな将来性を示している。 しかし、既存のほとんどのWAMは、テスト時に将来の状態を明示的に想像し、計算オーバーヘッドと遅延を発生させ、リアルタイムのロボット制御には適さない。 本稿では,実時間ロボット操作のための2段階蒸留フレームワークであるW2Aを提案する。 ビデオ潜在表現は高次元であるが, 圧縮された低次元部分空間は, アクション生成の効果的な監督を行うのに十分である, という仮説を立てる。 これにより、そのような情報をアクションモデルに効果的に転送することができる。 シミュレーションと実世界の設定の両方における大規模な実験は、競合の成功率を示しながら、推論効率を著しく改善する。 LIBEROでは、W2Aの平均成功率は95.9%である。 さらに重要なことは、W2Aは代表のWAMベースラインよりも約21倍高速な推論を実現している。

関連論文リスト

• 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)
• Efficient-WAM: A 1B-Parameter World-Action Model with Low-Cost Future Imagination [45.6948544726412]
  World-Action Models (WAM) は未来の視覚予測とアクション生成を結合する。 ほとんどの既存のWAMは将来の予測に依存しており、高い推論遅延を引き起こし、リアルタイムロボットのデプロイを困難にしている。 本稿では,その制御利益を保ちつつ,将来の想像力のコストを低減させるワールド・アクション・モデルであるEfficient-WAMを紹介する。
  論文  参考訳（メタデータ） (2026-06-08T18:14:08Z)
• 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)
• Fast-WAM: Do World Action Models Need Test-time Future Imagination? [39.17692664456295]
  世界行動モデル(WAM)は、身体制御のためのビジョン・ランゲージ・アクション(VLA)モデルに代わる有望な代替品として登場した。 我々は、WAMがテスト時に明らかに将来的な想像力を必要とするのか、それともトレーニング中に主にビデオモデリングから得られる利益なのかを問う。 我々は、トレーニング中にビデオのコトレーニングを継続するが、テスト時に将来の予測を省略するWAMアーキテクチャであるFast-WAMを提案する。
  論文  参考訳（メタデータ） (2026-03-17T15:33:43Z)
• DiT4DiT: Jointly Modeling Video Dynamics and Actions for Generalizable Robot Control [16.562259973551786]
  本稿では,ビデオ拡散変換器とアクション拡散変換器を結合したエンドツーエンドのビデオ・アクション・モデルであるDiT4DiTを紹介する。 DiT4DiTは、再構成後のフレームに頼る代わりに、ビデオ生成プロセスから中間的なデノイング機能を抽出する。 これは最先端の結果を達成し、LIBEROでは98.6%、RoboCasa GR1では50.8%という平均的な成功率に達した。
  論文  参考訳（メタデータ） (2026-03-11T06:03:53Z)
• World Action Models are Zero-shot Policies [111.91938055103633]
  本稿では,予めトレーニングされたビデオ拡散バックボーン上に構築されたワールドアクションモデル(WAM)であるDreamZeroを紹介する。 ビデオとアクションを共同でモデリングすることで、DreamZeroは異種ロボットデータから多様なスキルを効果的に学習する。 ビデオのみによる他のロボットや人間によるデモは、目に見えないタスクのパフォーマンスに対して42%以上の相対的な改善をもたらす。
  論文  参考訳（メタデータ） (2026-02-17T15:04:02Z)

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。