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:2608.10780

JEPA-WAM: ロボット操作のためのワールドアクションモデルにおける段階レベル結合埋め込み予測

JEPA-WAM: Stage-Level Joint-Embedding Prediction for World-Action Models in Robot Manipulation

シェア:XThreadsFacebookLINEはてブBluesky

ロボット操作タスクにおいて、短期的な物理的未来と段階的な意味的未来を区別し、後者を予測するStage-JEPAを導入したワールドアクションモデルを提案。50タスクで成功率90.25%を達成し、実行ステップ数を削減した。

詳しい要約

1. どんなもの?

JEPA-WAMは、ロボット操作タスクにおける汎用ポリシーを改善するためのフレームワークである。既存手法は未来を固定長の短いビデオ・アクションチャンクとして表現するが、これは局所的なシーン変化を捉えるものの、タスクが現在の段階から次の段階へどう進むべきかという段階レベルの未来を明示しない。そこで、短期的な物理的未来と段階レベルの意味的未来を区別し、MotusベースのWorld Action Model (WAM)にStage-JEPAを追加する。Stage-JEPAは、凍結したV-JEPA2エンコーダを用いて現在状態の表現を抽出し、次の推論された段階の潜在ターゲットを予測する。

2. 先行研究と比べてどこがすごい?

先行研究は、未来を固定長の短いビデオ・アクションチャンクとして表現し、局所的なシーン進化のみを捉えていた。JEPA-WAMは、これに加えて段階レベルの意味的未来を予測することで、タスクの進行を明示的にモデル化する点が新しい。これにより、長期的なタスク計画と短期的な行動実行を補完的に扱うことができる。

3. 技術・手法の肝は?

手法の核は、MotusベースのWorld Action Model (WAM)にStage-JEPAを統合することである。Stage-JEPAは、現在の観測とタスク指示から、凍結したV-JEPA2エンコーダで現在状態の表現を抽出し、次の段階の潜在ターゲットを予測する。この予測は、タスクの段階的な進行を捉えるためのもので、行動生成に利用される。

4. どうやって有効だと検証した?

50のRoboTwin 2.0タスク(クリーン環境とランダム化環境)で評価し、JEPA-WAMは全体成功率90.25%を達成し、成功したロールアウトにおける平均実行ステップ数を最強ベースラインと比較して5.97%削減した。

5. 議論はある?

要旨からは、議論の詳細は不明である。ただし、成功率と実行効率の向上が示されているが、一般化や実世界での性能、計算コストなどについては言及がない。

6. 次に読むべき論文は?

要旨で参照されている研究は、Motus-based World Action Model (WAM)、V-JEPA2、RoboTwin 2.0である。次に読むべき論文としては、これらの基盤となった論文(例:Motus、V-JEPA2、RoboTwin)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: Xiao Liu, Yuguang Yang, Xi Wang, Kai Jiang, Cheng Chi, Yong Xu, Wenchao Ding, Yilun Chen, Yan Wang

分類: cs.RO

原文アブストラクト

Generalist robot policies aim to map multimodal observations and linguistic task instructions to actions across diverse tasks. However, existing methods typically represent the future as a fixed, short video-action chunk. This short-term future captures local scene evolution for action execution, but it does not explicitly describe the stage-level future that specifies how a task should progress from its current stage to the next. We therefore distinguish two complementary futures for robot manipulation: a short-term physical future to capture local scene evolution and a stage-level semantic future to represent task progress. We introduce JEPA-WAM, which augments a Motus-based World Action Model (WAM) with Stage-JEPA, a goal-conditioned Joint-Embedding Predictive Architecture (JEPA) predictor. Given the current observation and task instruction, Stage-JEPA uses a frozen V-JEPA2 encoder to extract the current-state representation and predicts the latent target of the next inferred stage. Across 50 RoboTwin 2.0 tasks in clean and randomized environments, JEPA-WAM achieves 90.25% overall success and reduces the mean number of execution steps in successful rollouts by 5.97% relative to the strongest baseline.

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