OSWAM、拡散1ステップで行動を生成

香港理工大学の研究者らは10月26日、自動運転と身体制御向けの世界行動モデル「OSWAM」を発表しました。OSWAMは拡散処理1ステップで行動を生成します。研究者らによると、数十ステップを必要とする直接方策型WAMやJoint-WAMと同等以上の結果を得ました。

OSWAMは「想像トークン」から拡散を始めます。このトークンは、構造化された物理的な事前知識と、行動を条件とする表現を与えます。研究者らは将来の情報を条件に加えた特権情報の蒸留も用い、将来を見越した行動生成の改善を図りました。反復的なノイズ除去による遅延を抑えながら、行動の品質を保つ方法だと説明しています。

研究者らは、直接方策型WAMのベースラインに比べて約3倍高速化したと報告しました。論文の要旨では、NVIDIA RTX 5090 GPU上のコンパイル後推論が最短40ミリ秒に達します。プロジェクトページの投稿によると、NAVSIMでPDMS 90.3、RoboTwin 2.0で平均成功率90.00%を記録し、NVIDIA H20上では対応する複数ステップ方式より推論が約3倍速くなりました。RTX 5090でのコンパイル後のRoboTwin推論時間は40.81ミリ秒でした。チームは実環境のPiPER操作タスクでもOSWAMを試したとしています。

香港理工大学の研究者らは10月26日、自動運転と身体制御向けの世界行動モデル「OSWAM」を発表しました。OSWAMは拡散処理1ステップで行動を生成します。研究者らによると、数十ステップを必要とする直接方策型WAMやJoint-WAMと同等以上の結果を得ました。

OSWAMは「想像トークン」から拡散を始めます。このトークンは、構造化された物理的な事前知識と、行動を条件とする表現を与えます。研究者らは将来の情報を条件に加えた特権情報の蒸留も用い、将来を見越した行動生成の改善を図りました。反復的なノイズ除去による遅延を抑えながら、行動の品質を保つ方法だと説明しています。

研究者らは、直接方策型WAMのベースラインに比べて約3倍高速化したと報告しました。論文の要旨では、NVIDIA RTX 5090 GPU上のコンパイル後推論が最短40ミリ秒に達します。プロジェクトページの投稿によると、NAVSIMでPDMS 90.3、RoboTwin 2.0で平均成功率90.00%を記録し、NVIDIA H20上では対応する複数ステップ方式より推論が約3倍速くなりました。RTX 5090でのコンパイル後のRoboTwin推論時間は40.81ミリ秒でした。チームは実環境のPiPER操作タスクでもOSWAMを試したとしています。