日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

VLAarXiv:2606.15768

LaWAM: 効率的なダイナミクス認識ロボットポリシーのための潜在世界行動モデル

LaWAM: Latent World Action Models for Efficient Dynamics-Aware Robot Policies

シェア:XThreadsFacebookLINEはてブBluesky

ロボットの行動がシーンをどう変えるかを予測する潜在空間の世界モデルを導入し、ピクセル単位の動画生成を避けつつ、高成功率と低遅延を実現した。

詳しい要約

1. どんなもの?

LaWAMは、Vision-Language-Action models (VLAs) に予測的な力学を組み込むLatent World Action Modelである。 - 従来のWorld-Action Models (WAMs) は将来のvideo生成に依存し計算コストが高い。 - LaWAMは再構成videoではなく、コンパクトなlatent visual subgoalsを通じて予測力学をpolicyに与える。 - 中核はlatent-action-conditioned Latent World Model (LaWM)。 - 事前学習済みvision foundation modelのlatent spaceでlatent action modelを訓練し、そのforward decoderを将来のobservation features予測に転用。 - 予測されたlatent visual subgoalsに条件付けてaction生成を行い、dynamics-awareなロボット制御を実現。

2. 先行研究と比べてどこがすごい?

既存のWAMsは計算コストの高いvideo生成とpixel-level redundancyに依存していた。 - LaWAMはlatent visual subgoalsを用いることで、pixel空間のWAMsと比べ最大24x低いwall-clock latencyを達成。 - 1 action-chunk予測あたり187 msで動作し、低遅延推論を維持。 - LIBEROで98.6% SR、RoboTwinで91.22% SR、実世界manipulationタスクでstate-of-the-artまたは競争力のある成功率を達成。 - 予測的foresightを持ちながら効率的な点が先行研究と比べて優れる。

3. 技術・手法の肝は?

LaWAMの肝はlatent-action-conditioned Latent World Model (LaWM) にある。 - 事前学習済みvision foundation modelのlatent spaceでlatent action modelを訓練。 - そのforward decoderを再利用し、将来のobservation featuresを予測してscene evolutionを表現。 - 予測されたlatent visual subgoalsを条件としてaction generationを行う。 - これによりpixelレベルのvideo再構成を避け、コンパクトなlatent表現でdynamics-awareな制御を可能にする。

4. どうやって有効だと検証した?

LIBERO、RoboTwin、実世界manipulationタスクで評価。 - LIBEROで98.6% SR、RoboTwinで91.22% SRを達成。 - 実世界manipulationタスクでもstate-of-the-artまたは競争力のある成功率。 - 推論効率も検証し、1 action-chunk予測187 ms、pixel-space WAMs比で最大24x低遅延を確認。

5. 議論はある?

要旨からは不明。 - 限界や失敗ケース、latent visual subgoalsの一般化性、実世界タスクの詳細な条件などについての議論は要旨に記載がない。

6. 次に読むべき論文は?

要旨で参照/比較されている研究としてWorld-Action Models (WAMs)、Vision-Language-Action models (VLAs) が挙げられる。 - 関連手法としてlatent action model、Latent World Model (LaWM)、vision foundation modelが言及されている。 - 具体的な論文名は要旨からは不明。 - 同分野の定番としてLIBERO、RoboTwinのbenchmark論文や、video generationベースのWAMs関連研究を次に読むべき候補として挙げられる。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Jialei Chen, Kai Wang, Kang Chen, Shuaihang Chen, Feng Gao, Wenhao Tang, Zhiyuan Li, Weilin Liu, Zhuyu Yao, Boxun Li, Yuanbo Xu, Chao Yu

分類: cs.RO, cs.AI

原文アブストラクト

Vision-Language-Action models (VLAs) leverage large-scale vision-language pretraining for semantic robot control, but often lack explicit foresight into how robot actions change the scene. World-Action Models (WAMs) address this limitation by conditioning policies on predicted futures, yet existing approaches typically rely on computationally expensive video generation with substantial pixel-level redundancy. We present LaWAM, a Latent World Action Model that exposes predictive dynamics to robot policies through compact latent visual subgoals instead of reconstructed future video. At the core of LaWAM is a latent-action-conditioned Latent World Model (LaWM). We obtain LaWM by training a latent action model in the latent space of a pretrained vision foundation model and repurposing its forward decoder to predict future observation features for scene evolution. LaWAM then conditions action generation on these predicted latent visual subgoals to enable dynamics-aware robot control. LaWAM achieves state-of-the-art or competitive success rates (SRs) across LIBERO (98.6% SR), RoboTwin (91.22% SR), and real-world manipulation tasks while retaining low-latency inference. LaWAM runs in 187 ms per action-chunk prediction and achieves up to 24x lower wall-clock latency than pixel-space WAMs.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI