コード計画と世界モデルを統合する行動モデル

ロボット操作向けのワールドアクションモデル（WAM）に関する論文が複数、arXivに投稿された。AW-0は、コード、将来映像、ロボット行動の3つの流れをMixture-of-Transformersで同時に生成し、コード計画と物理的な予測を結び付ける。生成したプログラムはスキルとして再利用でき、RoboTwin 2.0と双腕の実機タスクでVLAやWAMの基準手法を上回った。FREDは単一ノイズ除去ステップで得る将来映像表現を自己蒸留で改善し、人の動画だけで示したタスクの成功率を、最良の競合の19.4%に対し50.0%にした。ほかに4D幾何を統合したUniFlowWAMや、物理較正、骨格に基づく潜在行動モデルも報告された。