AHA-WAM：非同期・時間適応型ワールドアクションモデルでロボット操作を改善

要約

ロボット操作向けのワールドアクションモデルは、視覚シーン予測とアクション実行を同一の時間解像度で結合してきたが、この設計は近距離フレーム変動の冗長な予測を強いる問題があった。AHA-WAMは、デュアル拡散トランスフォーマー（DiT）アーキテクチャを採用し、低頻度の映像DiTが長期シーン変化をローリングKVメモリで保持し、高頻度のアクションDiTが短いアクションチャンクをクローズドループで実行する非同期設計を実現した。Observation-Guided Video-Context Routing（OVCR）と水平適応オフセット学習を導入することで、映像DiTを再実行せずにリアルタイムの実行状態に応答できる。RoboTwinおよび実世界のロボット操作タスクでの実験で有効性を確認した。