日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

操作arXiv:2607.28993

ST-WAM: 視覚分布シフト下でのロバストな操作のための意味的時間的世界行動モデル

ST-WAM: Semantic-Temporal World Action Model for Robust Manipulation under Visual Distribution Shifts

シェア:XThreadsFacebookLINEはてブBluesky

視覚分布の変化に頑健なロボット操作のため、DINOv3特徴を共有表現として用いる意味的時間的世界行動モデル(ST-WAM)を提案し、将来予測と履歴検索を改善した。

詳しい要約

1. どんなもの?

ST-WAM (Semantic-Temporal World Action Model) は、視覚的分布シフト下でのロボット操作の堅牢性を向上させるためのWorld Action Model (WAM) の一種である。WAMはロボットの行動と将来の視覚ダイナミクスを共同でモデル化するが、ピクセル生成的な将来予測に依存すると、行動に関連する状態遷移とタスクに無関係な視覚内容が絡み合い、視覚的分布シフトに対する堅牢性が損なわれる。ST-WAMは、DINOv3を共有セマンティック表現として用い、将来予測と履歴検索を行い、細かいVAEダイナミクスも保持する。Dual-Space Future Experts (DSFE) とCurrent-Anchored Intent Retrieval (CAIR) を導入し、追加の事前学習やタスク固有のアノテーションなしでエンドツーエンドに訓練される。推論時に明示的な将来生成を必要としない。

2. 先行研究と比べてどこがすごい?

先行研究のWAMはピクセル生成的な将来予測に依存しており、視覚的分布シフト時に訓練分布の幻覚(Training-Distribution Hallucination)を起こす問題があった。ST-WAMは、この問題を直接修正するのではなく、DINOv3特徴を共有表現として用いることで、視覚的シフトに対してより安定し、タスク状態の区別をより良く保つことを利用する。これにより、ゼロショットのLIBERO-Plus性能をFast-WAMと比較して21.3ポイント向上させ、実世界の成功率を25.8%から61.5%に倍増させるなど、大幅な堅牢性向上を達成している。

3. 技術・手法の肝は?

手法の核心は、DINOv3を共有セマンティック表現として使用し、将来予測と履歴検索を行うことである。具体的には、Dual-Space Future Experts (DSFE) が将来のVAE潜在変数とDINO特徴を同時に予測し、Current-Anchored Intent Retrieval (CAIR) が現在の視覚言語コンテキストの下で最近のDINO履歴からタスク関連の証拠を検索する。これにより、ピクセル生成的なダイナミクスとセマンティックな時間モデリングを補完する。訓練はエンドツーエンドで行われ、追加の具現化事前学習やタスク固有のアノテーションを必要としない。

4. どうやって有効だと検証した?

有効性は、LIBEROベンチマークで98.7%、RoboTwin 2.0で92.8%の成功率を達成することで検証された。さらに、ゼロショットのLIBERO-Plus性能がFast-WAMと比較して21.3ポイント向上し、実世界の視覚的シフト下での成功率が25.8%から61.5%に倍増した。また、フレームトリプレット診断により、DINOv3特徴が視覚的シフトに対してより安定し、タスク状態の区別をWan-VAE潜在変数よりも良く保つことが示された。

5. 議論はある?

議論としては、ST-WAMはピクセル生成的な将来予測を明示的に使用しないため、将来の視覚ダイナミクスの詳細な予測が不要なタスクに適している可能性がある。しかし、細かいVAEダイナミクスを保持しているため、高精度な操作が必要なタスクでも有効である。また、DINOv3の選択は、視覚的シフトに対する安定性とタスク状態の区別のバランスに基づいているが、他のセマンティック表現との比較は要旨からは不明である。さらに、実世界での評価は特定の視覚的シフト条件下でのみ行われており、より広範なシフトに対する一般化は今後の課題である。

6. 次に読むべき論文は?

次に読むべき論文は、要旨で比較されているFast-WAMや、World Action Modelsの基礎となる研究、およびDINOv3やWan-VAEなどの表現学習に関する論文が挙げられる。具体的には、Fast-WAMの論文、WAMの元論文、DINOv3の論文、Wan-VAEの論文などが関連する。

※ 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: Mingxin Wang, Bin Hu, Bin Qian, Kaitao Jiang, Haoning Wu, Feng Yan, Bowen Jing, Ruiyang Hao, Enyi Wang, Kangning Niu, Yandan Yang, Mu Xu, Yan Wang, Houde Liu, Tianlun Li

分類: cs.RO, cs.CV

原文アブストラクト

World Action Models (WAMs) have emerged as a promising paradigm by jointly modeling robot actions and future visual dynamics. However, their reliance on pixel-generative future supervision can entangle action-relevant state transitions with task-irrelevant visual content, limiting robustness under visual distribution shifts. We identify Training-Distribution Hallucination, a recurring phenomenon in which futures conditioned on visually shifted observations hallucinate training-domain content rather than remain faithful to the current scene. A controlled frame-triplet diagnosis further shows that DINOv3 features remain more stable across visual shifts while better preserving task-state distinctions than Wan-VAE latents. Rather than correcting the predicted futures, we propose Semantic-Temporal WAM (ST-WAM) to improve action robustness by using DINOv3 as a shared semantic representation for future prediction and history retrieval while retaining fine-grained VAE dynamics. Its Dual-Space Future Experts (DSFE) jointly predict future VAE latents and DINO features, while Current-Anchored Intent Retrieval (CAIR) retrieves task-relevant evidence from recent DINO history under the current visual-language context. ST-WAM is trained end-to-end without additional embodied pretraining or task-specific annotations, and requires no explicit future generation at inference. It achieves 98.7% on LIBERO and 92.8% on RoboTwin 2.0; more importantly, compared with Fast-WAM, it improves zero-shot LIBERO-Plus performance by 21.3 percentage points and more than doubles real-world success under visual shifts from 25.8% to 61.5%. These results demonstrate that semantic-temporal modeling effectively complements pixel-generative dynamics for robust manipulation.

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