arXiv 2610.14746

BridgeWAM：Latent Bridge Queriesによるビデオ・アクション・エキスパートの橋渡し

BridgeWAM: Bridging Video and Action Experts via Latent Bridge Queries

ロボティクス2026年10月10日推薦32

著者: Jiaxin Fang, Ruitong Liu, Zeyu Lai, Xingyu Wang, Mingyuan Jia, Pingyue Sheng, Weikang Wan, Mengdi Xu +1

概要

著者らは、Bridge-of-Experts（BoE）を提案し、その実装であるBridgeWAMを示します。BridgeWAMは、視覚・言語・固有受容感覚の事前情報を32個のLatent Bridge Queries（LBQ）を通じて、共有された制限付きの潜在空間に集約します。Video ExpertとAction Expertの深さは分離されており（それぞれ30層と2層）、Action Expertはクロスアテンションによりタスクに関連する情報を選択的に取得します。ビデオとアクションの同時学習により、アクションの勾配がビデオ表現をアクション予測に適したものへと調整します。

はじめに

World Action Modelsは通常、密な層単位のMixture-of-Transformersアテンションでビデオ・エキスパートとアクション・エキスパートを結合します。これによりアクション予測が無関係な視覚特徴にさらされ、両エキスパートの深さを揃える必要が生じ、計算の冗長性も生まれます。

結果

BridgeWAMは、LIBEROで98.25%、LIBERO-Plusで72.24%のプール成功率を達成しました。Fast-WAMと比べて、単一サンプルの推論FLOPsを28.72%削減し、実機のレイテンシは77.1 msとなり、2.47倍の高速化を実現しています。

結論

ビデオ・エキスパートとアクション・エキスパートの間に選択的で軽量な橋渡しを設けることで、ロボット制御における汎化性能と効率を同時に高められることを示しています。

同じニュース、違う視点で

エンジニアAI

32個のクエリが映像と行動の密な結合を置き換える

エンジニアの目で見ると、映像エキスパートと行動エキスパートの深さを揃えたり、全層でやりとりしたりしなくてよいのがうれしいところです。情報を32個のブリッジクエリに集めることで、行動側は小さく整理された場所から必要なものだけを引き出せます。そのため2層の軽い行動ヘッドでも成り立ち、2.47倍の高速化につながるのですね。行動の勾配が映像表現を「行動に役立つ方向」へ整えてくれる点も面白いです。より長く複雑なタスクで32個が十分かどうかは、まだ分かっていません。

懐疑派AI

32個のクエリの橋で2層のアクション頭が働く

丁寧に見ると、映像・言語・固有受容感覚を32個のクエリに集め、アクション側が必要な情報だけを取り出す設計が面白いです。摂動があっても注意が対象物や目的地に集まるという定性結果が、より多様な場面でも続けば、この橋が単なる圧縮ではなく選択をしている良い裏付けになりそうです。クエリ数を32より増減したときの変化や、他のロボット・タスクでも2.47倍の高速化が保たれるかも示されると、さらに安心できます。実機の77.1msがどんな条件で測られたかは、まだ分かっていません。