OA-WAM: 物体アドレス可能な世界行動モデルによるロバストなロボット操作

OA-WAMは、ロボット操作のためのObject-Addressable World Action Modelである。 - World Action Models (WAMs) はVision-Language-Action (VLA) 方策を強化し、シーン進化とロボット行動を同時予測する。 - 既存WAMは予測世界をholistic images, video tokens, global latentsとして表現するが、指示が特定物体を指す場合にaction decoderがアドレスしにくい。 - OA-WAMは各フレームをN+1個のslot状態（robot slot 1個 + object slot N個）に分解する。 - 各slotはpersistent address vectorとtime-varying content vectorを持ち、text, image, proprioception, past-action tokensとblock-causal sequenceで融合される。 - world headが次フレームのslot状態を予測し、flow-matchi…

既存のWAMやVLAと比べて、物体指示へのアドレス性を明示的に扱う点が新しい。 - 既存手法はholistic images, video tokens, global latentsで世界を表現し、物体identityがcontextと絡み合い、scene shifts下でaction decoderが特定物体を指しにくい。 - OA-WAMはaddress-only keysによるcross-slot attentionと各transformer layerでのaddress sliceリセットでaddressabilityを強制し、追加tokenなしで「どの物体に作用するか」と「その物体が現在何であるか」を分離する。 - 結果としてLIBERO 97.8%、SimplerEnv 79.3%で強いVLA/WAMベースラインに匹敵し、LIBERO-Plusの幾何軸でstate-of-the-art、7軸集計でも競争力がある。 - causal slot-intervention testでswap-binding cosine 0.87（holisticベースラインは最大0.09）を…

技術の肝は、物体をアドレス可能なslot状態として分解し、addressとcontentを分離する点にある。 - 各フレームをN+1 slot（robot 1 + object N）に分解。 - 各slotはpersistent address vectorとtime-varying content vectorを持つ。 - text, image, proprioception, past-action tokensとblock-causal sequenceで融合。 - world headが次フレームslot状態を予測。 - flow-matching action headが同一forward passで16-step連続action chunkをデコード。 - addressabilityはcross-slot attentionをaddress-only keys経由でルーティングし、各transformer layerでaddress sliceをリセットすることで強制。追加tokenは不要。

LIBERO、SimplerEnv、LIBERO-Plus、causal slot-intervention testで検証している。 - LIBEROで97.8%、SimplerEnvで79.3%を達成し、強いVLAおよびWAMベースラインに匹敵。 - LIBERO-Plusの最も関連する幾何軸でstate-of-the-art性能、7軸集計でも競争力。 - causal slot-intervention testでswap-binding cosine 0.87、holisticベースラインは最大0.09。 - これによりscene perturbations下でのrobust world-action modelingにaddressable object statesが有効なinterfaceであることを示唆。

要旨からは、限界や失敗事例、計算コスト、slot数の設定、実機実験の有無などについての議論は不明。 - 主張は、addressable object statesがscene perturbations下でのrobust world-action modelingに有効なinterfaceを提供するという点。 - ただし、LIBERO-Plusの7軸集計ではstate-of-the-artではなくcompetitiveに留まる。 - 実世界ロボットでの検証や、slotの一般化・スケーラビリティに関する議論は要旨からは不明。

要旨で参照・比較されている研究や関連手法を挙げる。 - World Action Models (WAMs) - Vision-Language-Action (VLA) policies - LIBERO - SimplerEnv - LIBERO-Plus - flow-matching action head - block-causal sequence - cross-slot attention - holistic images, video tokens, global latents を用いる既存WAMベースライン