世界行動モデルを再考する：構成的・文脈内ロボットマニピュレーションに向けて

- 長期的な compositional manipulation のための階層的フレームワーク ViGAR を提案。 - 操作を visual subgoal planner と subgoal executor に分解。 - planner は現在の観測と global instruction から次の subtask の visual subgoal を予測。 - executor は予測された subgoal を条件に future visual trajectories と actions を同時生成。 - 両コンポーネントは pretrained world-model representation を共有。 - in-context learning を自然にサポートし、global goal image を context として与えるとパラメータ更新なしで異なる subtask 分解や行動を誘導できる。

- 既存の world-action models (WAMs) は short-horizon の visual futures と actions を jointly 予測するが、subtask レベルの明示的推論を欠く。 - ViGAR は階層化により subtask レベルの planning と action generation を分離。 - 両者で pretrained world-model representation を共有し、共通の物理知識を活用。 - in-context learning をパラメータ更新なしで実現する点が新しい。 - RoboTwin Clean2Random benchmark で Clean 82.00%、Random 67.02% の成功率を達成し、最強 baseline を平均成功率で 12.86 ポイント上回る。

- 階層的フレームワーク ViGAR (Visual Goal-conditioned Action Reasoning)。 - visual subgoal planner: 現在の observation と global instruction から次の subtask の visual subgoal を予測。 - subgoal executor: 予測された subgoal を条件に future visual trajectories と actions を jointly 生成。 - 両コンポーネントが pretrained world-model representation を共有。 - global goal image を context として与える in-context learning をサポート。 - これにより task-level planning と action generation が共通の物理知識から恩恵を受ける。

- RoboTwin Clean2Random benchmark で評価。 - Clean 設定で 82.00%、Random 設定で 67.02% の成功率。 - 最強 baseline を平均成功率で 12.86 ポイント上回る。 - 実世界ロボット実験を 5 つの compositional タスクと 2 つの in-context learning タスクで実施し有効性を確認。

- 要旨からは不明。 - 限界や失敗事例、計算コスト、スケーラビリティに関する議論は要旨に記載なし。

- 要旨で参照/比較されている研究: world-action models (WAMs)、RoboTwin Clean2Random benchmark。 - 関連手法として visual subgoal planning、hierarchical manipulation、in-context learning for robotics が挙げられる。 - 具体的な論文名は要旨に記載なし。