日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

週刊ニュースレター購読
VLAarXiv:2610.20157

Atomic-WAM：実行に基づく原子的動作推論によるワールドアクションモデル

Atomic-WAM: Execution-Grounded Atomic-Motion Reasoning for World Action Models

シェア:XThreadsFacebookLINEはてブBluesky

視覚言語推論器が次に行う局所動作を記述し、それをワールドアクションモデルが実行可能な行動に変換する枠組みを提案。実行成功率に基づく強化学習で推論器を調整し、実機→シミュレーション評価で有効性を示した。

詳しい要約

1. どんなもの？

- World Action Models (WAMs) に atomic-motion 記述を介してタスク推論と行動生成を接続する understand-then-execute フレームワーク。 - vision-language reasoner がタスク指示と視覚文脈から次の局所動作を記述し、WAM が将来動画と action chunk を予測する。 - 実環境から sim への評価 (real-to-sim) を RoboLab で行う。

2. 先行研究と比べてどこがすごい？

- 従来の WAMs は video foundation models を joint video and action prediction で制御に適応させるが、タスクレベル指示では次の物理的相互作用が underspecified になりうる。 - Atomic-WAM は atomic-motion descriptions を介して semantic grounding と state-dependent motion selection を明示的に扱う点が異なる。 - 具体的な性能差は要旨からは不明。

3. 技術・手法の肝は？

- vision-language reasoner が次の局所動作を記述し、WAM を導いて将来動画と action chunk を予測する。 - 自動アノテーションパイプラインで multi-view DROID demonstrations から時間的に整合した contact-enriched supervision を収集する。 - Execution-Grounded GRPO (EG-GRPO) で reasoner を post-train し、WAM を固定して motion appropriateness と execution success の報酬を与える。

4. どうやって有効だと検証した？

- RoboLab での real-to-sim evaluation を実施。 - デフォルト指示で 39.6%、曖昧な指示で 31.6% のタスク成功率を達成。 - 詳細な比較条件やベースラインは要旨からは不明。

5. 議論はある？

- 要旨からは不明。 - 限界や失敗事例、計算コスト、汎化性に関する議論は記載されていない。

6. 次に読むべき論文は？

- World Action Models (WAMs) - video foundation models - DROID demonstrations - RoboLab - GRPO - vision-language reasoner

※ 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: Shijun Shi, Zhe Liu, Zhi Hou, Yinan Chen, Tao Zhang, Kai Hu, Yong Liu, Jiangning Zhang

分類: cs.RO

原文アブストラクト

World Action Models (WAMs) typically adapt video foundation models to robotic control through joint video and action prediction. However, task-level instructions may leave the next physical interaction underspecified, requiring semantic grounding and state-dependent motion selection. To this end, we introduce Atomic-WAM, an understand-then-execute framework that connects task reasoning to action generation through atomic-motion descriptions. Specifically, a vision-language reasoner describes the next local motion from the task instruction and visual context, guiding a WAM to predict future video and an action chunk. Furthermore, an automatic annotation pipeline curates temporally aligned, contact-enriched supervision from multi-view DROID demonstrations. To make atomic-motion predictions executable by the WAM, we post-train the reasoner with Execution-Grounded GRPO (EG-GRPO). With the WAM fixed, EG-GRPO adapts the reasoner through rewards for motion appropriateness and execution success. Finally, Atomic-WAM achieves 39.6% task success under default instructions and 31.6% under vague instructions in a real-to-sim evaluation on RoboLab. Project page: https://ssj9596.github.io/Atomic-WAM-project

arXivで原文を読む →arXiv概要ページ

関連論文

← 論文一覧
PR本紙発行元 EmplifAI