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:2610.15585

StreamingWAM: チャンク単位の階段状フローマッチングによるストリーミングワールドアクションモデリング

StreamingWAM: Streaming World Action Modeling via Chunk-Wise Staircase Flow Matching

シェア:XThreadsFacebookLINEはてブBluesky

動画生成ワールドモデルを基盤とするロボット制御において、チャンク単位のノイズラダーとプレフィックスロールアウト、密な動画履歴メモリを組み合わせ、滑らかで低遅延なストリーミング拡散制御を実現した。

詳しい要約

1. どんなもの?

- StreamingWAMは、World Action Models (WAMs) を基盤としたロボット制御のためのストリーミング拡散フレームワークである。 - チャンク単位の行動予測にノイズラダーを導入し、クロスチャンク連続性のためのプレフィックスロールアウトモジュールと、時間的に一貫した条件付けのための高密度ビデオ履歴メモリを組み合わせる。 - これにより、不連続でぎくしゃくした実行を改善し、推論効率と行動連続性の両方に対処する。

2. 先行研究と比べてどこがすごい?

- 既存手法は推論効率の改善か、予測チャンク間の行動連続性の強化のいずれかに焦点を当てており、両方の課題を同時に解決していない。 - StreamingWAMは、ノイズラダー、プレフィックスロールアウト、高密度ビデオ履歴メモリを統合することで、両課題を同時に解決する点が優れている。 - 実験では、静的・動的設定で行動連続性を改善し、競争力のある性能を維持しつつ、定常状態の再計画レイテンシをシミュレーションで72.9 ms、実機で57.3 msに低減した。

3. 技術・手法の肝は?

- ノイズラダー:チャンク単位の行動予測のための階層的ノイズスケジュール。 - プレフィックスロールアウトモジュール:クロスチャンクの連続性を確保するための機構。 - 高密度ビデオ履歴メモリ:時間的に一貫した条件付けを実現するためのメモリ。 - ストリーミング拡散フレームワークとしてこれらを統合し、滑らかな行動遷移と実行ホライズンKへの感度低減を実現。

4. どうやって有効だと検証した?

- LIBERO、LIBERO-Plus、RoboTwin 2.0、および実世界のロボットタスクで実験を実施。 - 静的および動的設定で行動連続性の改善を確認。 - 定常状態の再計画レイテンシをシミュレーションで72.9 ms、実機で57.3 msに低減。 - より滑らかな行動遷移を生成し、ストリーミング階段が実行ホライズンKへの感度を低減することを示した。

5. 議論はある?

- 要旨からは、手法の限界や議論の詳細は不明。 - 実験結果からは、行動連続性の改善とレイテンシ低減が示されているが、他の側面(例えば、一般化性能や計算コスト)に関する議論は要旨では触れられていない。

6. 次に読むべき論文は?

- 要旨で参照されている研究:World Action Models (WAMs)、既存の推論効率改善手法、行動連続性強化手法。 - 関連手法:LIBERO、LIBERO-Plus、RoboTwin 2.0などのベンチマーク。 - 同分野の定番:Diffusion Policy、Action Chunking with Transformers (ACT) などが考えられるが、要旨では明示されていない。

※ 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: Shaojie Ren, Jingwen Sun, Zezhi Liu, Hongjin Chen, Xin Jin, Wei Zou, Zhibo Chen

分類: cs.RO

原文アブストラクト

World Action Models (WAMs), often built upon pretrained video-generation world models, have emerged as a promising framework for general-purpose and open-ended robot control. However, their real-world deployment often suffers from discontinuous and jerky execution. Existing methods typically address this issue by either improving inference efficiency or enhancing action continuity across prediction chunks, without jointly addressing both challenges. To bridge this gap, we propose StreamingWAM, a streaming-diffusion framework for WAM-based robot control. StreamingWAM combines a noise ladder for chunk-wise action prediction, a prefix rollout module for cross-chunk continuity, and dense video-history memory for temporally consistent conditioning. Experiments on LIBERO, LIBERO-Plus, RoboTwin 2.0, and real-world robotic tasks demonstrate that StreamingWAM improves action continuity across static and dynamic settings, achieving competitive performance while reducing steady-state replanning latency to 72.9 ms in simulation and 57.3 ms on the real robot. The method also produces smoother action transitions, while the streaming staircase reduces sensitivity to the execution horizon K.

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. 2newmo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
  3. 3GXO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
  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