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:2608.03701

LiLa-WAM: ロボット操作のための軽量潜在推論ワールドアクションモデル

LiLa-WAM: Lightweight Latent Reasoning World-Action Model for Robotic Manipulation

シェア:XThreadsFacebookLINEはてブBluesky

将来の状態をコンパクトな潜在空間で推論する軽量なワールドアクションモデルを提案し、単一GPUで学習可能にした。視覚遷移トークンという言語不要のタスク表現も導入し、シミュレーションと実機で高い成功率を達成した。

詳しい要約

1. どんなもの?

LiLa-WAMは、ロボット操作のための軽量なWorld-Action Model (WAM)である。コンパクトな潜在空間で未来を推論し、単一の24GB GPUでエンドツーエンドに訓練可能。タスク指定には言語を用いないVisual Transition Token (VTT)を導入し、各タスクを視覚特徴空間の方向として符号化する。

2. 先行研究と比べてどこがすごい?

既存のWAMは計算コストが高く、ピクセル空間の手法は制御に無関係な視覚詳細に容量を割く。また、潜在空間の手法は推論空間構築に多段階訓練を要する。LiLa-WAMは、将来状態予測と行動生成が共同で形成するコンパクトな潜在推論空間により、軽量性と制御適合性を両立し、単一GPUでのエンドツーエンド訓練を可能にした点が優れている。

3. 技術・手法の肝は?

手法の肝は、将来状態予測と行動生成の両方の目的で共同に形作られるコンパクトな潜在推論空間の設計である。これによりモデルを軽量に保ちつつ、制御に適合させる。また、タスク指定にはVisual Transition Token (VTT)を用い、言語を使わずにタスクを視覚特徴空間の方向として表現する。

4. どうやって有効だと検証した?

RoboTwin 2.0、LIBERO、および実ロボットタスクで実験を行い、有効性を検証した。特に、単一GPU訓練で50のRoboTwinタスクにおいて90.48%の成功率を達成した。

5. 議論はある?

要旨からは、潜在空間の解釈性や、VTTの表現力の限界、他のタスク表現との比較、実ロボットタスクの詳細、計算コストの具体的な比較などについては不明である。また、単一GPU訓練の利点は示されるが、他の手法との計算量の直接比較は要旨にない。

6. 次に読むべき論文は?

要旨で参照されているRoboTwin 2.0、LIBERO、および関連するWorld-Action Modelの研究。具体的には、ピクセル空間のWAMや多段階訓練を要する潜在空間WAMの元論文が挙げられる。

※ 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: Fan Yang, Yuting Su, Xiaobo Wang, Yuncheng You, Fugui Fan, Yuting Wu, Minghui Wu, Chenxu Zhao, JiaHong Ning, Peiguang Jing

分類: cs.RO, cs.AI

原文アブストラクト

World-action modeling has emerged as a promising paradigm for robotic control, as it empowers models to go beyond reacting to observations and anticipate how a scene will evolve. However, existing WAMs often incur substantial computational overhead. Pixel-space methods often allocate substantial capacity to visual details that may not be directly relevant to control, while some latent-space methods require multi-stage training to construct the reasoning space. The resulting training cost can make such methods difficult to train under modest computational budgets. In this work, we propose LiLa-WAM, a lightweight world-action model that reasons about the future in a compact latent space and can be trained end-to-end on a single 24GB GPU. Its core design is a compact latent reasoning space jointly shaped by future-state prediction and action generation, which keeps the model lightweight while remaining well aligned with control. For task specification, we further propose the Visual Transition Token(VTT), a language-free task representation that encodes each task as a direction in visual feature space. Experiments on RoboTwin~2.0, LIBERO, and real-robot tasks demonstrate LiLa-WAM's effectiveness, achieving 90.48\% success across 50 RoboTwin tasks with single-GPU training.

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

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI