MAWAM

MAWAMはGR00T 2を協調操作に適応させたモデルです。エージェント間の注意機構で各ロボットの将来映像と行動系列を同時に予測し、個別の制御インターフェースを保ちます。実機2台とシミュレーションのPandaアーム2〜4台で評価されました。

モデルの説明全文を見る

論文・レポート (1)

MAWAM:協調操作のためのマルチエージェント世界行動モデル

論文あり

MAWAM: A Multi-Agent World-Action Model for Coordinated Manipulation

arXiv: 2611.25105DOI: 10.48550/arxiv.2611.25105
著者・所属 (13)

著者の順序: 原文順

  1. Xianzhe Fan

    NVIDIA · The University of Hong Kong

  2. Chi-Pin Huang

    NVIDIA

  3. Fu-En Yang

    NVIDIA

  4. Jing Wang

    NVIDIA

  5. Yecheng Wu

    NVIDIA · MIT

  6. Yu-Cheng Chou

    NVIDIA

  7. Johan Bjorck

    NVIDIA

  8. Linxi “Jim” Fan

    NVIDIA

  9. Jan Kautz

    NVIDIA

初版公開
2026-11-20
最新の論文改訂
v1
会議・学術誌
未提供

対象モデルバージョン

論文 ↗PDF ↗

取得方法と利用条件

このバージョンの学習コードは未確認です。公開コードの存在は、この版の学習実装の公開を意味しません。 検証事項を見る

学習・ファインチューニングコード

出典確認日 · 2026-11-20

公開情報

出典確認日 · 2026-11-20

導入前の確認事項

重みやコードの公開は、そのままロボットで動作することを意味しません。必要な構成、データ、インターフェースを資料で確認してください。

導入・利用資料

推論方式
同期した移動ホライズン制御。24ステップ中の最初の8ステップを実行して再計画。Galaxea R1 Proは15 Hz、RoboFactoryは20 Hz。
微調整の要件
単体ロボットのカメラと制御系に適応してから同期デモで共同学習。RoboFactoryは課題ごとに150デモ。

構造と入出力

モデルの種類
行動方策
アーキテクチャ
WAM · Transformer
バックボーン
NVIDIA GR00T 2
行動生成
フローマッチング
入力
言語 / RGB画像 / ロボット状態 / 動画
出力
Galaxea R1 Proは各アームの相対手先位置・クォータニオン・グリッパー開度を出力し、機体ごとに16次元。シミュレーションのPandaは1アーム17次元。

適用範囲と学習方法

ee_pose · continuous

16 DoF · horizon 24 · relative

出力

行動 / 動画

予測出力

ロボットごとに24ステップの行動、専用視点ごとに将来8フレーム(制御3ステップごとに1フレーム)

ロボット形態

双腕プラットフォーム / ロボットアーム

タスク範囲

複数タスク

学習方式

模倣学習 / 教師あり微調整

系譜

微調整元: GR00T · GR00T 2 ↗

関連ロボット

評価結果

このバージョンまたは選択した重みの検証済み独立評価結果はありません。

全パラメータと検証事項(モデルカード)

入力は言語指示、カメラ履歴、ロボット状態、機体情報、役割、視点の対応関係です。シミュレーションでは読み取り専用の共有カメラも利用できます。各ロボットについて24ステップの行動と各専用視点の将来8フレームを予測し、最初の8ステップを同期実行して再計画します。著者報告は実機3課題で平均67.8%(各30試行)、RoboFactoryの8課題で平均90.3%(各100エピソード)です。表9の学習可能な27.6億パラメータには凍結したCosmos-Reason1と動画VAEを含みません。

情報源または訂正を送信