GAWM：マルチタスクロボット操作のための小型潜在ワールドアクションモデル

- 小型のマルチタスク World-Action Model（WAM）「GAWM（Geometry-Aware World Model）」を提案する研究。 - ロボット操作の policy learning に未来観測の予測を組み込む WAM の一種。 - 凍結した DINOv3 encoder の潜在空間で未来観測を予測する。 - パラメータ数は 100M 未満で、robot/video pretraining を用いない。 - マルチタスクのロボットマニピュレーションを対象とする。

- 既存の多くの WAM は billion-parameter 級の vision-language または video-generation backbone に依存し、学習コストと推論遅延が大きい。 - GAWM は 100M 未満のパラメータかつ robot/video pretraining なしで、RoboTwin 2.0 において billion-parameter WAMs を上回る。 - LIBERO では billion-parameter VLAs と同等程度の性能。 - 双腕ロボットの held-out demonstrations で、fine-tuned billion-parameter VLA より低い action-prediction error を達成し、推論遅延も大幅に低い。

- 凍結した DINOv3 encoder の潜在空間で未来観測を予測する compact な WAM。 - 各カメラ視点の特徴を少数の token に圧縮する。 - 軽量 predictor が、action ではなく task を条件として、2 つの未来 horizon の token を予測する。 - 予測は未来フレームの dense patch features で supervision され、未来 scene の spatial layout を符号化することを要求される。 - action decoder が現在と予測された token から future actions の chunk を直接回帰する。

- RoboTwin 2.0 と LIBERO で評価。 - 双腕ロボットの held-out demonstrations で action-prediction error と推論遅延を比較。 - Ablation studies により、訓練データや訓練時間が限られる場合に latent world model が性能を大きく改善することを示す。

- 訓練データや訓練時間が限られる状況で latent world model が有効であることを ablation で示す。 - 具体的な限界や失敗ケース、議論の詳細は要旨からは不明。

- 比較対象として挙げられている billion-parameter WAMs および billion-parameter VLAs。 - 基盤 encoder である DINOv3。 - 評価に用いられた RoboTwin 2.0 と LIBERO に関連する研究。 - 具体的な論文名は要旨からは不明。