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:2607.06988

WAM-TTT: テスト時に人間のプレイを見てワールドアクションモデルを操縦する

WAM-TTT: Steering World-Action Models by Watching Human Play at Test Time

シェア:XThreadsFacebookLINEはてブBluesky

人間の動画を模倣するのではなく、自己教師あり動画予測で凍結したワールドアクションモデルに軽量な適応メモリとして吸収し、テスト時に未ラベルの人間動画だけでロボットの行動を操縦するフレームワークを提案した。

詳しい要約

1. どんなもの?

WAM-TTTは、ロボット基盤モデル(RFM)を新しいタスクバリアントやユーザー好みの行動へ向けるためのテストタイムトレーニングフレームワーク。生の人間ビデオを模倣対象としてではなく、自己教師ありビデオ予測を通じて凍結されたWorld-Action Model (WAM)内の軽量な適応メモリに吸収する。テスト時にはラベルなしの人間ビデオのみでメモリを適応させ、事前学習済みWAMは凍結したまま、ロボットの行動デモやタスク固有のファインチューニング、長いコンテキスト条件付けを必要とせずに、効率的で再利用可能なステアリングを実現する。

2. 先行研究と比べてどこがすごい?

従来のRFMのステアリング手法は、追加のロボットデモ、タスク固有のファインチューニング、または長いコンテキスト条件付けを必要としていた。WAM-TTTは、人間ビデオを軌跡として模倣するのではなく、自己教師ありビデオ予測で適応メモリに吸収する点が新しい。さらに、メタトレーニング段階でペアの人間-ロボットデータを用いて人間デモとロボット行動を整合させ、テスト時にはラベルなしの人間ビデオのみで適応できるため、ロボット行動や人間側のアノテーション、タスク固有のファインチューニングを不要にしつつ、基盤モデルの汎化能力を維持する点が優れている。

3. 技術・手法の肝は?

手法の核は、凍結されたWAMに軽量な適応メモリを組み込み、自己教師ありビデオ予測で人間ビデオをメモリに吸収すること。メタトレーニング段階では、ペアの人間-ロボットデータとキー-バリューメモリ再構成目的を用いて、人間デモとロボット行動を整合させる。テスト時には、ラベルなしの人間ビデオのみでメモリを適応させ、事前学習済みWAMは凍結したまま制御に利用する。これにより、ロボット行動やアノテーションなしで効率的なステアリングを実現する。

4. どうやって有効だと検証した?

多様な操作タスクと一般化設定において、インコンテキストの人間ビデオ条件付けベースラインと比較して、WAM-TTTが一貫して優れた性能を示すことを広範な実験で検証した。具体的なタスクやデータセット名は要旨からは不明。

5. 議論はある?

要旨からは、人間ビデオの質や多様性が適応メモリの性能に与える影響、メモリサイズや計算コスト、他のRFMへの適用可能性などについての議論は明示されていない。また、人間ビデオとロボット行動の整合性が不完全な場合のロバスト性や、実世界でのリアルタイム適応の課題については要旨からは不明。

6. 次に読むべき論文は?

要旨で参照されている関連研究として、World-Action Models (WAM)、Robot Foundation Models (RFM)、test-time training、self-supervised video prediction、in-context conditioning、human-robot paired data、key-value memory reconstructionなどが挙げられる。具体的な論文タイトルは不明だが、これらの手法を提案した論文を読むことが次に推奨される。

※ 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: Yusen Feng, Bingchen Han, Jiangran Lyu, Kai Liu, Yixin Zheng, Yuxuan Wan, Weiheng Liu, Sun Han, Ruiqin Li, Yulong Zhang, Fangfu Liu, Xuesong Shi, Libin Liu, Yizhou Wang, Zhizheng Zhang, He Wang

分類: cs.RO, cs.AI

原文アブストラクト

Steering robot foundation models (RFMs) toward new task variants or user-preferred behaviors remains challenging, often requiring additional robot demonstrations, task-specific fine-tuning, or long-context conditioning. We present WAM-TTT, a test-time training framework for steering world action models from raw human videos. Rather than treating human videos as trajectories to imitate, WAM-TTT absorbs them into a lightweight adaptive memory inside a frozen WAM through self-supervised video prediction. To make this memory useful for control, we introduce a meta-training stage that aligns human demonstrations with robot behaviors using paired human-robot data and a key--value memory reconstruction objective. At test time, only unlabeled human videos are required to adapt the memory, while the pretrained WAM remains frozen. This enables efficient and reusable steering without robot actions, human-side annotations, or task-specific fine-tuning, while preserving the generalization ability of the foundation model. Extensive experiments show that WAM-TTT consistently outperforms in-context human-video conditioning baselines across diverse manipulation tasks and generalization settings.

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

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI