DIDO: インタラクション中心のダイナミクスを1ステップ拡散に蒸留するワールドアクションモデル

- World Action Models (WAMs) は video generation model を用いてロボット manipulation の将来 visual dynamics を予測する。 - しかし iterative denoising は closed-loop control に追加 latency を生む。 - そこで DIDO を提案。multi-step video model の converged dynamics を single denoising step に distill する。 - distribution matching distillation と interaction-centric representation guidance を組み合わせる。 - 推論 latency を大幅に削減しつつ manipulation に重要な interaction dynamics を保持する。

- 従来の WAMs は multi-step denoising により高品質な予測が可能だが latency が大きい。 - 単純に multi-step video model を one step に truncate すると scene structure は保たれるが interaction-centric dynamics が失われる。 - DIDO は distillation により one forward pass で multi-step の converged dynamics を再現。 - さらに gripper, manipulated object, その interaction を明示的にモデル化し、DINOv3 encoder の特徴と整合させる。 - これにより one step でも relevant entities と future dynamics を保持できる点が優れている。

- distribution matching distillation を用いて multi-step video model の converged dynamics を single denoising step に distill。 - interaction-centric representation guidance を導入。 - supervised bounding-box visual reasoning tokens で gripper, manipulated object, その interaction を明示的にモデル化。 - target object の representations を複数 model layers で pretrained DINOv3 encoder の features と align。 - これにより one step で relevant entities と future dynamics を保持しつつ inference latency を削減。

- LIBERO で平均 success rate 99.0% を達成。 - LIBERO-Plus で 76.6%、RoboTwin で 92.0% を達成。 - さらに real-world robotic manipulation における long-horizon および generalization tasks への有効な transfer を示す。 - これらの benchmark と real-world 実験により有効性を検証。

- 要旨からは不明。 - ただし visual content が denoising 中に異なる rate で収束するという empirical finding に基づき、static background は早期に形成されるが gripper と manipulated object は first step 後も blurry で interaction dynamics は subsequent denoising でのみ現れると述べている。 - このことが naive truncation の問題点として議論されている。

- 要旨で参照/比較されている研究: World Action Models (WAMs), distribution matching distillation, DINOv3 encoder。 - 関連手法として video generation models, iterative denoising, LIBERO, LIBERO-Plus, RoboTwin が挙げられる。 - 同分野の定番として robotic manipulation における video prediction や diffusion policy 関連の研究が次に読むべき候補。