論文の概要: Coordinating Humanoid Loco-Manipulation through Action-Conditioned Latent Foresight

• arxiv url: http://arxiv.org/abs/2611.04839v1
• Date: Tue, 03 Nov 2026 13:06:51 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:35:26.91449
• Title: Coordinating Humanoid Loco-Manipulation through Action-Conditioned Latent Foresight
• Title（参考訳）: アクション・コンディションによるヒューマノイド・ロコマニピュレーションの協調
• Abstract要約: 本稿では,実行前に提案した命令列を評価する潜在ワールドアクションモデル(WAM)を提案する。 アクションジェネレータは、視覚、言語、ロボット状態から、共同動手コマンドシーケンスを提案する。 ロボットは、ベストスコアシーケンスの最初のコマンドを実行し、次の観察から再計画する。
• 参考スコア（独自算出の注目度）: 35.866545490536616
• License:
• Abstract: Humanoid loco-manipulation requires coordinated body motion and hand interaction over time, and a plausible-looking command sequence can still drop a held object or leave an interaction incomplete. We present action-conditioned latent foresight, a latent world-action model (WAM) that evaluates proposed command sequences before execution. An action generator proposes joint motion-hand command sequences from vision, language, and the robot state. An action-conditioned endpoint predictor estimates the visual features each sequence prefix reaches and measures progress toward a demonstration-derived subgoal, while a joint temporal prior scores temporal consistency given the robot state and preceding commands. The robot executes the first commands of the best-scoring sequence and replans from the next observation. During training, action consistency regularization reconstructs the first demonstrated command from observed and predicted feature changes, encouraging the predictor to retain action-relevant information. On ten tasks in the humanoid loco-manipulation simulation benchmark SIMPLE, our method achieves 89.7% average success, compared with 73.7% for Psi-Zero and 82.0% for DiT4DiT. On seven real-robot tasks, it achieves 85.7% under standard conditions and 65.7% under unseen object configurations, while GR00T N1.7 achieves 70.0% and 48.6%, respectively. Project page: https://ju6276.github.io/Action-Grounded-Foresight/
• Abstract（参考訳）: ヒューマノイド・ロコ・マニピュレーションは、時間とともに調整された身体の動きと手の動きを必要とし、可視的なコマンドシーケンスは、保持されたオブジェクトを落としたり、相互作用が不完全なままにすることができる。 本稿では,実行前に提案した命令列を評価する潜在世界行動モデル(WAM)を提案する。 アクションジェネレータは、視覚、言語、ロボット状態から、共同動手コマンドシーケンスを提案する。 動作条件付きエンドポイント予測器は、各シーケンスプレフィックスが到達した視覚的特徴を推定し、デモ由来のサブゴールに向けて進捗を計測し、一方、ロボットの状態と先行コマンドとから、共同時間前のスコアが時間的一貫性を示す。 ロボットは、ベストスコアシーケンスの最初のコマンドを実行し、次の観察から再計画する。 トレーニング中、アクション整合性規則化は、最初の実証されたコマンドを観察および予測された特徴変化から再構築し、予測者がアクション関連情報を保持するように促す。 シミュレーションベンチマークSIMPLEの10タスクにおいて,Psi-Zeroが73.7%,DiT4DiTが82.0%に対して89.7%の平均的な成功を達成した。 7つの実ロボットタスクでは、標準条件下で85.7%、未確認のオブジェクト構成で65.7%、GR00T N1.7では70.0%、48.6%となる。 プロジェクトページ: https://ju6276.github.io/Action-Grounded-Foresight/

関連論文リスト

• Auriga Technical Report: A Task-Agnostic Agent Harness for Zero-Shot Embodied Manipulation [62.55752327741587]
  RoboDojoでは、大きな計画と実行のギャップが、高レベルのタスク決定と物理的実行を分離します。 目標タスクやリセットを伴わないゼロショット操作において,このギャップの68.3%を埋めるタスク非依存のエージェントハーネスであるAurigaを紹介する。
  論文  参考訳（メタデータ） (2026-10-31T16:59:05Z)
• EgoJEPA: Beyond Retargeting for Dexterous Manipulation from Egocentric Videos [54.3385405724896]
  EgoJEPAは、エゴ中心の人間ビデオからエンボディメントに依存しない表現を学ぶ。 743.2時間から392.7時間にかけて、クロス・エボディメントの壁時計のコストを47.2%削減する。
  論文  参考訳（メタデータ） (2026-10-14T20:34:18Z)
• Unifying Policy Learning and State Prediction through Spatial Language Modeling [52.172884936392535]
  本研究では,シーンの輪郭,目標,行動目標,将来の状態を個別座標と意味トークンの共通語彙で表現する空間言語モデリングを提案する。 タスク固有の文法はこれらの要素を空間配列に整理し、1つの自己回帰変換器が行動生成と行動条件付き状態予測を学習できるようにする。 ランダム・プレイ・トランジション・プレトレーニングを駆使してモデルをスクラッチからトレーニングし、その後、専門家によるデモンストレーションで共同動作と状態トレーニングを行う。
  論文  参考訳（メタデータ） (2026-10-08T15:43:08Z)
• Being-M0.7: A Latent World-Action Model for Humanoid Robots [52.49928557294444]
  我々は,人間のデータから学習した視覚的動きを,事前学習,ロボットのミッドトレーニング,アクションポストトレーニングを通じてヒューマノイド制御に伝達する潜在世界行動モデルであるBeing-M0.7を提案する。 我々は、1万時間以上の生の人中心データからコーパスをキュレートし、ビデオのみ、モーションのみ、およびペア化されたビデオモーションストリームを統合して、補完的な視覚力学と全身の運動構造を学習する。 Be-M0.7はSIMPLEで比較したベースラインの中で最高成功率に達し、現実世界のUnitree G1ロコ操作タスクで最強のベースラインと一致する。
  論文  参考訳（メタデータ） (2026-10-08T05:49:24Z)
• ACG-WAM: World-Action Modeling via Action-Conditioned Geometric Latent Prediction [4.104352271917983]
  アクション・コンディション付き幾何学Joint-Embedding Predictive Architecture (ACG-WAM) ACG-WAMは、現在の観測と干渉行動からいくつかの地平線における幾何学的特徴を予測する。 50のRoboTwin 2.0タスクでは、ACG-WAMはクリーンなシーンで93.46%の成功を達成している。
  論文  参考訳（メタデータ） (2026-10-03T17:52:59Z)
• Shared Execution-Clock Drifting Policy for Dynamic Precision Manipulation [2.44955840609554]
  実行リズムは、ロボットが期限前に一連の調整を完了しなければならない場合に重要である。 本稿では、実行リズムを1ステップのアクション生成の明示的な部分とする共有実行クロックドリフト(SECD)を提案する。 NVIDIA Thor を用いた 4 つの実ロボットタスクを対象としたSECD の評価を行った。
  論文  参考訳（メタデータ） (2026-09-20T02:42:31Z)
• GE-Act 2.0: Pretraining and Scaling a World-Action Model for Robotic Manipulation [63.853929983870955]
  本稿では,ジェニー・エンスペクタ法 2.0 (GE-Act 2.0) について紹介する。 制御指向オートエンコーダ(CoAE)、ワンステップビジュアルプランナー(SVP)、逆ダイナミクスモデル(IDM)を組み合わせている。 それらのコンポーネントは、知識に整合した選択最適化(KASO)で共同で訓練され、記録された行動に適合していると判断された予測された未来のみを選択することで、ミスマッチした監視を減らす。
  論文  参考訳（メタデータ） (2026-09-04T17:16:48Z)
• LM-X: Explainable Action Modeling with Progress, Event, and Uncertainty Prediction for Generalist Robot Manipulation [28.431160101245837]
  一般視覚-言語行動(VLA)政策は、主に短期水平行動予測を通じて長期水平行動を学ぶ。 我々は,解剖学的対応を主張することなく,タスク,イベント,運動の規模にわたって予測を整理するLM-Xを紹介する。
  論文  参考訳（メタデータ） (2026-08-26T13:05:29Z)
• Act with Intent: Distilling Behavior Intent for Vision-Language-Action Models [15.173629384871013]
  VLA(Vision-Language-Action)モデルは、マルチモーダルコンテキストをロボットアクションに変換することができるが、そのアクションデコーダは行動クローニングによって主に訓練されている。 Intention Distillation (INDI) を提案する。
  論文  参考訳（メタデータ） (2026-08-24T16:42:49Z)

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。