WAM-Policy:オンポリシー蒸留を用いた四足移動操作のための世界行動モデル
論文あり
WAM-Policy: World Action Models with On-Policy Distillation for Quadrupedal Loco-Manipulation
著者・所属 (6)
著者の順序: 原文順
- 初版公開
- 2026-11-18
- 最新の論文改訂
- v1 · 2026-11-18
- 会議・学術誌
- 未提供
WAM-PolicyはLingBot-VAを転用し、左前脚をエンドエフェクターとして使う四足ロボットを言語指示で制御する。著者らは異なる機体形態への転移、オンポリシー自己蒸留、複数教師からの蒸留をMuJoCoで評価し、ステージ1.2の生徒モデルをUnitree Go2 Air実機で試験した。
モデルの説明全文を見るQLM-Benchを実行するには、qlm-benchブランチを別にチェックアウトし、Python 3.11以上のシミュレーター専用環境を用意する。WAM-Policyの環境にQLM-Benchのオプション依存関係[live]を導入し、ローカルのqlm-live-v1プロトコルでポリシーとシミュレーターを接続する。configs/site.envのQLM_BENCH_SRCとQLM_PYTHONにシミュレーターのソースディレクトリとインタープリターを指定する。
論文あり
WAM-Policy: World Action Models with On-Policy Distillation for Quadrupedal Loco-Manipulation
著者の順序: 原文順
出典確認日 · 2026-11-20
確認日 · 2026-11-18
一部の学習データは公開されていますが、学習データ全体の公開を意味しません。
| ファイル | 取得方法 | 重みのライセンス | 商用利用 |
|---|---|---|---|
| ステージ1.1 転移教師 学習データ: 公開アクセス | 取得方法 | 重みのライセンス | 商用利用 |
| ステージ1.2 OPSD生徒 S300 EMA 学習データ: 公開アクセス | 取得方法 | 重みのライセンス | 商用利用 |
| ステージ2.1 箱押し特化 学習データ: 公開アクセス | 取得方法 | 重みのライセンス | 商用利用 |
| ステージ2.1 ドア開け特化 学習データ: 公開アクセス | 取得方法 | 重みのライセンス | 商用利用 |
| ステージ2.2 M-OPD生徒 S300 EMA 学習データ: 公開アクセス | 取得方法 | 重みのライセンス | 商用利用 |
| 補足実験 LIBERO OPSD S300 EMA | 取得方法 | 重みのライセンス | 商用利用 |
| 四足アブレーション · 教師キャッシュのみ S300 EMA 学習データ: 公開アクセス | 取得方法 | 重みのライセンス | 商用利用 |
| 四足アブレーション · 教師キャッシュのみ S2000 EMA 学習データ: 公開アクセス | 取得方法 | 重みのライセンス | 商用利用 |
| 四足アブレーション · ストリーミングのみ S300 EMA 学習データ: 公開アクセス | 取得方法 | 重みのライセンス | 商用利用 |
| 四足アブレーション · OPSD S900 EMA 学習データ: 公開アクセス | 取得方法 | 重みのライセンス | 商用利用 |
| LIBERO アーム・アブレーション · 教師キャッシュのみ S300 EMA | 取得方法 | 重みのライセンス | 商用利用 |
| LIBERO アーム・アブレーション · ストリーミングのみ S300 EMA | 取得方法 | 重みのライセンス | 商用利用 |
| LIBERO アーム・アブレーション · 単回収集 S300 EMA | 取得方法 | 重みのライセンス | 商用利用 |
| LIBERO アーム・アブレーション · 教師あり微調整のみ S692 EMA | 取得方法 | 重みのライセンス | 商用利用 |
| LIBERO アーム・アブレーション · 教師キャッシュのみ S2000 EMA | 取得方法 | 重みのライセンス | 商用利用 |
| LIBERO アーム・アブレーション · OPSD S900 EMA | 取得方法 | 重みのライセンス | 商用利用 |
| 四足アブレーション · RGB+固有受容感覚 S5000 学習データ: 公開アクセス | 取得方法 | 重みのライセンス | 商用利用 |
出典確認日 · 2026-11-20
実機実演は著者によるステージ1.2 OPSD生徒モデルの報告。ステージ2.2の集計値はシミュレーション結果であり、アーム用重みはLIBERO実験向け。実機配備用のdeploy/ディレクトリにはCC BY-NC 4.0が適用される。mainブランチの残りのコードおよび公式公開されたポリシーの重みにはApache-2.0が適用される。QLM-Benchのシミュレーターブランチのコード、QLM-Benchデータセット、同データセットで配布されるRAMBOコントローラーの重みにはCC BY-NC 4.0が適用される。mainブランチで共有されるコマンドおよびliveインターフェースのファイルは、同ブランチのApache-2.0に従って提供される。 四足ロボットの評価には、1種類の四足機体、1種類の全身制御器、操作用の左前脚1本を用いた。Standard100では学習済みの10タスクのシーンを変えた。他の脚式ロボットへの転移や、未学習のタスク・指示への汎化は評価していない。ステージ2.1の調整対象は箱押しとドア開けの2タスクに限られる。ポリシーはシミュレーションでのみ学習し、実機の成績はシミュレーションを下回った。 v2では、一人称視点カメラに近い位置に広角魚眼カメラ1台を設置し、LiDARと組み合わせてv1の2台構成を置き換える計画が示された。リリース日と重みの公開日は未発表。 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。
Apache-2.0
複数本体
公式
公式重み
行動 / 動画
将来の映像と動作列
四足ロボット / ロボットアーム
複数タスク
強化学習 / 教師あり微調整
MuJoCoを用いた四足移動操作の10タスクのベンチマークとデータセット。
800 episodes · CC BY-NC 4.0
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。
公開元の評価 · 報告値・独立再現なし
QLM-Bench · Standard100 ↗成功率: 85 %
mujoco-standard-test100-v1; seeds 42, 43, 44
72エピソードはRTX 5070 Ti搭載ワークステーションでVAEをCPU実行。残り228エピソードは別のワークステーションでGPU上のVAEを使い、複数クライアントが同時に実行。
MuJoCo Standard100、10タスク100ケース、3シード、300エピソード。著者報告の集計値。映像/動作ステップ 1 / 2。
シミュレーションとポリシーの重み
QLM-Bench Standard100はMuJoCo上で10タスクを評価する。各タスクに未使用の10シーンを用意し、シード42、43、44で各ポリシーを計300エピソード試行する。制限時間はタスクごとに24~60秒。合成デモ1,000件のうち800件でLingBot-VAを微調整したステージ1.1の教師は、映像25ステップ、動作50ステップで成功率77.0%だった。ステージ1.2のOPSD生徒(ランク256のLoRA、300更新後のEMA重み)は映像1、動作2ステップで76.7%だった。ステージ2.1では強化学習で箱押し用(r14)とドア開け用(r04)の教師を個別に学習した(ランク32のLoRA)。ステージ2.2はステージ1.2の生徒から初期化し、タスク別の教師から蒸留する。公開されたM-OPD生徒(さらに300更新したEMA重み)はシミュレーションで85.0%だった。推論時には両生徒ともステージ1.1の教師をベースにする。LIBEROのアーム用重みは補足実験に用いた。
実機試験
著者らはシミュレーションデータのみで学習したステージ1.2のOPSD生徒をUnitree Go2 Airで試した。Go2 Airの内蔵カメラで一人称視点の映像を取得し、胴体の上方に取り付けたRealSense D435iで俯瞰映像を取得した。機体はRDK X5を搭載した。ポリシーとVAEは有線Ethernetで接続したRTX 5070 Ti搭載ワークステーションで動作し、全身制御器RAMBOが胴体と左前脚への指令を実行した。成功回数はボタン押し3/10、ボール蹴り1/10、箱押し3/10で計7/30。実機では、動作チャンク1個のサンプリングに0.159秒、観測の符号化を含む閉ループ全体に0.66秒かかった。各チャンクがカバーする動作は0.32秒分であるため、リアルタイム動作には至らず、チャンク間は最後の指令を保持した。
実機配備パッケージ
著者はUnitree Go2向けにROS 2 Jazzyの配備パッケージを公開している。文書に記載されたホスト環境はUbuntu 24.04、Python 3.12、NVIDIA GPUで、有線Ethernetを使用する。ロボット側にはGo2の前方カメラと、RDK X5に接続したRealSense D435iを搭載する。全身制御にはRAMBO、ポリシー接続にはQLM-Bench [live]のqlm-live-v1を使用する。主なROS依存関係はrclpy、rcl_interfaces、unitree_go、unitree_api、geometry_msgs、std_msgs、sensor_msgsで、実行時にはlaunch、launch_ros、ament_index_pythonも必要となる。既定はFast DDSで、Cyclone DDSも選択できる。既定のステージ1.2 OPSDは推論時にステージ1.1教師モデルをベースとして使う。論文にはGo2 Airでの実機結果が掲載されている。Go2 Pro、X、EDUおよび他のポリシーの実機結果は未確認。
論文の第4~5節、表1・7、付録EおよびG~Hと、著者が追記した「制約と今後の課題」を参照。