世界事前知識を行動モデルに蒸留するリアルタイムロボット制御

- ロボット制御向けの新手法 **W2A** を提案した論文。 - 大規模pretrained video modelの未来想像能力を活用する **World Action Models (WAMs)** の枠組みに着想。 - 既存WAMsの推論時latency問題を解決するため、video modelをtest時に完全に捨てる **two-stage distillation framework**。 - リアルタイムなrobotic manipulationを対象とする。

- 既存のWAMsはtest時にfuture statesを明示的にimagineする必要があり、計算overheadとlatencyが大きい。 - W2Aはvideo modelをtest時に完全に破棄し、action modelのみで推論する点が大きく異なる。 - LIBEROで平均成功率 **95.9%** を達成しつつ、代表的なWAM baseline比で約 **21x** 高速な推論を実現。 - 精度と効率の両立を示した点が先行研究に対する貢献。

- **two-stage distillation framework** を採用。 - 学習時にvideo diffusion modelの中間denoising representationsをaction modelへdistillする。 - 仮説として、video latent representationsは高次元だが、圧縮された低次元subspaceでaction生成への有効なsupervisionが可能と主張。 - これによりvideo modelの情報をaction modelへ効率的に転移し、test時はvideo model不要とする。

- simulationとreal-worldの両設定でextensive experimentsを実施。 - LIBEROベンチマークで平均成功率 **95.9%** を報告。 - 代表的なWAM baselineと比較して約 **21x** の推論高速化を確認。 - competitiveな成功率と推論効率の改善を実験的に示した。

- video latent representationsの高次元性に対し、低次元subspaceで十分という仮説を提示しているが、その理論的根拠の詳細は要旨からは不明。 - real-world設定での具体的なタスクや条件、失敗事例の分析は要旨からは不明。 - 蒸留される中間denoising representationsの選択や圧縮方法の詳細は要旨からは不明。

- 比較対象として言及される代表的な **World Action Models (WAMs)** のbaseline論文。 - 基盤となる **video diffusion model** および大規模pretrained video modelに関する研究。 - ベンチマークとして用いられた **LIBERO** の関連論文。 - robotic manipulation向けの **action model** やdistillation関連手法。