ロボット操作2026/8/5arXiv:2608.04404

Faster-WAM: ロバストな世界行動モデルのための効率的な推論時未来条件付け

Faster-WAM: Efficient Inference-Time Future Conditioning for Robust World Action Models

世界行動モデル（WAM）の推論時における未来条件付けの重要性を示し、計算コストを抑えつつ未来表現を活用する効率的なフレームワークFaster-WAMを提案した。

詳しい要約

1. どんなもの？

Faster-WAMは、ロボット操作のためのWorld Action Models (WAMs)の効率的な推論時未来条件付け手法を提案する。WAMsは環境の時間発展を学習するが、既存手法は推論時の計算コストと未来表現の保持のトレードオフに直面する。Faster-WAMは、未来表現を保持しつつ、高価なvideo-action interactionを避けるため、SparseMoTとInterval KV-Fusionを導入する。

2. 先行研究と比べてどこがすごい？

既存のJoint-WAMsは未来認識表現を保持するが計算コストが高く、効率的な代替手法は推論時に未来モデリングを除去し分布シフト下でのロバスト性を失う可能性がある。Faster-WAMは、推論時の未来条件付けが分布シフト下での汎化に重要であることを示し、効率性とロバスト性を両立する点で優れている。

3. 技術・手法の肝は？

Faster-WAMは、未来表現を一度計算し、アクションdenoising全体で選択的に再利用するスパース未来条件付けフレームワークを導入する。具体的には、SparseMoTが層ごとの融合を、ネットワークステージのコンパクトなサブセットでの選択的video-action interactionに置き換え、Interval KV-Fusionが注意複雑性を増やさずに多深度の未来表現を集約する。

4. どうやって有効だと検証した？

実験では、out-of-distributionのLIBERO-Plusベンチマークで、Fast-WAMと比較して成功率を49.14%から73.57%に改善し、Joint-WAMより2.21倍高速であることを示した。さらに、LIBEROとRoboTwin 2.0で最先端の性能を達成し、実世界操作での強いロバスト性を実証した。

5. 議論はある？

要旨からは、Faster-WAMの限界や潜在的な欠点についての議論は不明。ただし、効率性と性能のトレードオフの改善が示されているが、特定のタスクや環境での適用範囲や、SparseMoTとInterval KV-Fusionの設計選択の一般性については議論の余地があるかもしれない。

6. 次に読むべき論文は？

要旨で参照されているのは、Joint-WAMs、Fast-WAM、LIBERO-Plus、LIBERO、RoboTwin 2.0など。次に読むべき論文としては、これらのベースラインや関連手法の詳細を報告した論文が挙げられる。具体的には、World Action Modelsの元論文や、効率的なvideo-action interactionの手法、分布シフト下のロバスト性に関する研究など。

※ 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: Weiheng Zhao, Haoyi Jiang, Xin Shi, Liu Liu, Fan Huang, Zhizhong Su, Wei Sui, Xinggang Wang

分類: cs.CV

原文アブストラクト

World Action Models (WAMs) improve robot manipulation by learning how the environment evolves beyond the current observation. However, existing approaches face a fundamental dilemma: Joint-WAMs preserve future-aware representations during inference but incur prohibitive computation costs, while efficient alternatives remove future modeling at inference time and may lose the robustness benefits of temporal reasoning. In this work, we revisit the role of future representations in WAMs and show that inference-time future conditioning is critical for generalization under distribution shifts. This observation motivates Faster-WAM, an efficient future-conditioning WAM that preserves future representations while avoiding expensive video-action interaction. Faster-WAM introduces a sparse future-conditioning framework that computes future representations once and selectively reuses them throughout action denoising. Specifically, we propose SparseMoT to replace ubiquitous layer-wise fusion with selective video-action interaction at a compact subset of network stages, and Interval KV-Fusion to aggregate multi-depth future representations without increasing attention complexity. Experiments demonstrate that Faster-WAM achieves a substantially better performance-efficiency trade-off than existing WAMs. On the out-of-distribution LIBERO-Plus benchmark, Faster-WAM improves success rate from 49.14% to 73.57% compared with Fast-WAM, while running 2.21$\times$ faster than Joint-WAM. It further achieves state-of-the-art performance on LIBERO and RoboTwin 2.0, while demonstrating strong robustness in real-world manipulation.

arXivで原文を読む →arXiv概要ページ