日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

VLA/世界モデルarXiv:2608.09381

JEPA-WAM: 共同埋め込み世界モデリングによる視覚-言語-行動ポリシーの学習

JEPA-WAM: Learning Vision-Language-Action Policies with Joint-Embedding World Modeling

シェア:XThreadsFacebookLINEはてブBluesky

事前学習済みV-JEPA空間に基づく潜在世界モデルを構築し、遷移予測と行動生成を共有予測器で結合することで、効率的かつ高精度なロボット制御を実現した。

詳しい要約

1. どんなもの?

JEPA-WAMは、ロボット制御のためのVision-Language-Action (VLA)ポリシーを学習するための潜在World Action Model (WAM)である。事前学習済みのV-JEPA空間に基づき、潜在遷移予測と連続的なアクション生成を共有予測器で結合する。現在と未来の観測間のタスク共有の視覚的時間構造を捉える空間構造化された結合現在-未来ターゲットを予測し、密なパッチレベルの対応を保持する。

2. 先行研究と比べてどこがすごい?

既存のビデオ生成型WAMは展開コストが高い。一方、既存の潜在WAMは予測表現を圧縮したり、アクション生成に使う表現から予測モデルを分離したりする問題があった。JEPA-WAMは、遷移予測の監督を共有予測器を通じて直接バックボーンに与え、アクション予測のための専用表現を抽出することで、これらの問題を解決する。また、事前学習済みVLAポリシーにそのまま適用でき、元の知覚・行動経路を保持する。

3. 技術・手法の肝は?

手法の肝は、事前学習済みのV-JEPA空間に潜在WAMを構築し、共有予測器を用いて潜在遷移予測と連続アクション生成を結合すること。具体的には、現在と未来の観測から空間構造化された結合現在-未来ターゲットを予測し、タスク共有の視覚的変化を捉えつつ、密なパッチ対応を維持する。遷移監督がバックボーンを直接形成し、そこからアクション予測用の専用表現を抽出する。また、事前学習済みVLAポリシーにも適用可能で、その知覚・行動経路を保つ。

4. どうやって有効だと検証した?

LIBERO-Plusで79.2%の成功率を達成し、大規模ロボットポリシー事前学習なしでは最高性能。事前学習済みπ0.5に適用した場合、86.3%で全体最高性能。さらにRoboTwin 2.0と実世界の双腕操作実験で、視覚的・空間的シフトに対する強い汎化を示した。

5. 議論はある?

要旨からは、潜在WAMの設計選択(ターゲット表現の詳細、共有予測器の構造など)や、他のベースラインとの比較、計算コスト、限界などについての議論は不明。また、実世界実験の規模や多様性についても詳細は不明。

6. 次に読むべき論文は?

要旨で参照されている研究として、V-JEPA、π0.5、LIBERO-Plus、RoboTwin 2.0が挙げられる。次に読むべき論文は、V-JEPAの元論文、π0.5の論文、および関連する潜在WAMやWorld Modelの研究(例:Latent World Models, DreamerV3など)が考えられる。

※ 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: Yihan Lin, Jiawei He, Shifeng Bao, Chen Zhao, Yang Li, Xiaobo Wang, Yan Wang, Cheng Chi, Jing Zhang

分類: cs.RO

原文アブストラクト

Robust robot control benefits from explicitly modeling state transitions, but video-generation world action models (WAMs) introduce substantial deployment cost. Existing latent WAMs avoid explicit future generation, but often compress predictive representations or separate predictive modeling from the representations used for action generation. We introduce JEPA-WAM, a latent WAM built in a pretrained V-JEPA space, which couples latent transition prediction with continuous action generation through a shared predictor. JEPA-WAM predicts a spatially structured joint current-future target that captures task-shared visual temporal structure between current and future observations, while preserving dense patch-level correspondence. Through the shared predictor, transition supervision directly shapes the backbone, from which dedicated representations are extracted for action prediction. The same design can also be instantiated in pretrained VLA policies while preserving their original perception and action pathways. On LIBERO-Plus, JEPA-WAM achieves 79.2%, the best result without large-scale robot-policy pretraining, while its pretrained $\pi_{0.5}$ instantiation reaches 86.3%, achieving the best overall performance. Experiments on RoboTwin 2.0 and real-world bimanual manipulation further demonstrate strong generalization under visual and spatial shifts.

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