Source-linked AI summary

Zero-WAM: In-Context World-Action Modeling from Human Videos for Open-Ended Task Generalization

Jiaming Zhou, Qihang Zhang, Gangwei Xu, Cunxin Fan, Yujie Zhao, Ruilin Wang, Yiming Luo, Shuai Yang, Xing Zhu, Yujun Shen, Junwei Liang, Yinghao Xu

arXiv:2608.26103v2cs.ROcs.CV

TL;DR

Zero-shot cross-task generalization을 위해서는 배포 시점의 task specification을 바탕으로 로봇이 학습하지 않은 manipulation task를 수행해야 한다. Zero-WAM은 human video를 visual guidance로 활용해, 학습하지 않은 7개 RoboTwin 2.0 task에서 평균 46.95%의 성공률을 달성했으며 LingBot-VA보다 29.50 percentage points 높다.

  • 문제

    Zero-shot robotic manipulation에는 언어만으로는 전달하기 어려운, 학습하지 않은 task의 공간적·중간 상태·시간적 요구사항을 전달하는 task interface가 필요하다.

  • 방법

    Zero-WAM은 human-video task specification과 causal video-action policy를 결합하고, 의미적으로 대응되는 HumanGen pair와 task-balanced robotic data를 사용해 학습한다.

  • 결과

    학습하지 않은 7개 RoboTwin 2.0 task에서 평균 성공률 46.95%를 달성해 LingBot-VA보다 29.50 percentage points 높았으며, real-world test에서는 학습하지 않은 세 task family에 걸쳐 일반화했다.

  • 시사점 및 한계

    Human video guidance는 대응하는 robot data 수집이나 model update 없이 simulation과 real-world manipulation에서 zero-shot cross-task generalization을 가능하게 한다.

  • 시사점 및 한계

    실험은 주로 stationary tabletop manipulation에 초점을 맞추며, mobile manipulation과 훨씬 더 긴 horizon을 갖는 동적·비구조적 환경은 향후 과제로 남긴다.

Abstract

from arXiv · show

Zero-shot cross-task generalization, where a policy must execute manipulation tasks never seen during training, remains a central challenge in robot learning. In large language models, a novel task can be performed simply by specifying it in the context, without any parameter update. This form of in-context learning (ICL) turns generalization into a problem of task specification. To achieve cross-task generalization, we bring this paradigm to robotic manipulation, and argue that the natural task specification for manipulation is a human video: unlike language, it provides rich visual cues about the intended task evolution. We present Zero-WAM, a causal video-action model that executes unseen tasks by following in-context human video guidance. To address the scarcity of task-rich paired human-robot data, we propose an automatic pipeline that converts task-sampled robot trajectories into semantically matched human videos, yielding HumanGen, a dataset of 74.2K human-robot ICL pairs across 8.6K tasks. For model training, we further introduce an in-context future chunk prediction (IFP) objective that suppresses shortcuts learned from seen tasks and forces the policy to draw task information from the video prompt. On seven unseen tasks in RoboTwin 2.0 simulation, Zero-WAM achieves a 47.0% average success rate, an absolute improvement of 29.5 percentage points over the strongest video-action baseline. In real-world evaluations, it follows human video guidance to generalize to unseen task configurations involving multi-object scenes, long-horizon manipulation, and fine-grained insertion.

1 서론

Zero-WAM은 zero-shot 로봇 작업 일반화를 in-context world-action modeling으로 정식화하며, parameter update 없이 human video 또는 language로 미경험 작업을 지정한다. 확장 가능한 human–robot video pairing과 in-context future chunk prediction objective를 결합해 simulation과 real-world에서 강한 일반화 성능을 달성한다.

  • 접근법: Zero-WAM은 language instruction과 human demonstration video를 모두 작업 명세로 지원하는 causal video-action model이다.Human video가 제공되면 시연된 시각적 상태 변화를 조건으로 삼아 미래 robot video와 실행 가능한 action을 autoregressive하게 예측한다.
  • 데이터: HumanGen pipeline은 task-sampled robot trajectory를 의미적으로 대응하는 human video로 변환해, 8.6K개 작업에 걸쳐 74.2K개의 human–robot ICL pair를 생성한다.Pairing된 robot trajectory에는 실행 가능한 action이 유지되며, 동일한 task-level sampling으로 autoregressive robotic video-action pre-training을 위한 Task-diverse VA data도 생성된다.
  • 학습 objective: in-context future chunk prediction objective는 human-video prompt에서 장기적인 작업 변화를 표현하도록 유도해 robot history와 text에서의 shortcut learning을 억제한다.Standard next-chunk prediction은 특히 training 중 본 작업에서 local robot history만으로도 예측할 수 있는 경우가 많다.
  • 평가: Real-world 실험은 human-video-guided generalization이 미경험 multi-object, long-horizon, precision-demand insertion configuration으로 확장됨을 보이며, 세 task family 모두에서 LingBot-VA를 능가한다.이러한 평가는 대응하는 robot data collection이나 model-parameter update를 요구하지 않는다.

2 데이터 큐레이션

Section 2에서는 task 수준으로 trajectory를 샘플링해 task-diverse robot video-action data를 큐레이션하고, 의미적으로 매칭된 human-robot in-context learning pair를 자동 생성한 HumanGen을 소개한다. 이 pipeline은 vision-language analysis, video generation, quality filtering을 사용해 robot trajectory로부터 시각적으로 다양한 human video instruction을 제공한다.

  • Task-diverse VA data: Task-level resampling은 반복 실행의 편중을 줄이고, public dataset에서 task-balanced robotic video-action pre-training data를 생성한다.Source dataset에는 AgiBot [23], InternData-A1 [24], Open-X-Embodiment, RoboCOIN [25], RoboMIND [26]가 포함된다.
  • HumanGen generation: HumanGen은 task-sampled robot trajectory를 의미적으로 매칭된 human manipulation video로 자동 변환해 수작업 paired-data 수집을 피하면서 다양한 시각적 정렬을 지원한다.생성된 video는 background, viewpoint, environment style, object instance 및 기타 시각적 요인이 달라지며, Figure 2는 구성과 pipeline을 요약한다.
  • HumanGen generation: Generation pipeline은 VLM으로 task name과 object-state transition을 추출하고, initial robot frame을 변환한 뒤 human video를 합성하며, semantic preservation과 physical plausibility를 기준으로 output을 필터링한다.VLM에는 Gemini 3.1 Pro 와 Qwen3.6-Plus 가 포함되며, video generation에는 Wan 2.7 또는 Kling AI 3.0 을 사용한다.
  • HumanGen composition: HumanGen은 Pre-train ICL (External), Pre-train ICL (In-house), Simulation ICL, Real-world ICL로 구성되며, source trajectory는 raw frequency가 아니라 task별로 sampled된다.구성은 public, in-house, simulation, real-world source를 아우르며, 생성된 human instruction과 함께 실행 가능한 robot action을 보존한다.
  • Dataset comparison: HumanGen은 automatic human-video generation을 사용하고 여러 data source를 결합해 scalable in-context learning data construction을 수행한다는 점에서 기존 task-level paired human-robot dataset과 다르다.비교의 핵심은 manual human collection이 아닌 automatic generation과 multi-source construction이며, Table 1은 dataset-comparison 범위를 제시한다.

3 Zero-WAM: In-Context World Action Modeling

Zero-WAM은 language 또는 human video를 in-context task specification으로 사용해 미학습 manipulation task를 수행하는 causal world-action model이다. robot video prediction과 action decoding을 통해 human demonstration에서 task-level dynamics를 전이하며, future-chunk prediction으로 history 기반 shortcut을 억제한다.

  • 3.1 Causal Video-Action Modeling: Zero-WAM은 language instruction 또는 human video demonstration을 pretrained world-action model에 conditioning하여 finetuning 없이 unseen manipulation task를 수행한다.model은 대규모 human-robot in-context learning pair와 task-balanced robotic video-action data로 pretrained된다.
  • 3.2 Human Video as In-Context Task Specification: Human video는 in-context task specification으로 기능하며, video Transformer가 task semantics를 predicted robot video로 전이한 뒤 inverse-dynamics action decoding을 수행한다.human과 robot demonstration은 embodiment, viewpoint, background, object placement가 서로 다를 수 있으므로 motion copying이 아니라 task-level correspondence가 필요하다.
  • 3.3 In-Context Future Chunk Prediction: Teacher-forcing training은 최근 history로부터 next robot chunk를 예측하도록 유도할 수 있으며, model이 human video를 무시하기 때문에 unseen-task failure를 일으킨다.이 shortcut은 seen task에서 immediate next-chunk prediction이 robot history를 extrapolating하는 것만으로 해결되는 경우가 많기 때문에 발생한다.
  • 3.3 In-Context Future Chunk Prediction: In-context future chunk prediction은 strided future robot-video targets와 flow-matching modules를 추가하여, model이 immediate history를 넘어 더 장기적인 task evolution을 model하도록 강제한다.각 module은 fused intermediate representations, robot history, action history, language instruction을 사용해 future chunk를 예측한다.

4 실험

Zero-WAM은 7개의 미학습 RoboTwin 2.0 태스크에서 평균 47.0%의 성공률을 달성해 가장 강력한 video-action baseline보다 29.5 percentage points 향상된다. 또한 다중 객체 장면, 장기 조작, 세밀한 삽입을 포함하는 미학습 구성으로 일반화하며, ablation 결과는 대규모 ICL 사전학습과 IFP의 역할을 뒷받침한다.

  • RoboTwin 2.0 결과: 7개의 미학습 RoboTwin 2.0 태스크에서 평균 성공률 47.0%는 가장 강력한 video-action baseline보다 29.5포인트 향상된 수치다.Zero-WAM은 7개의 모든 미학습 태스크에서 두 baseline을 모두 능가하며, articulated-object, relocation, 장기 조작에서 성능 향상을 보인다. 또한 place empty cup에서 84.87%를 달성하고, stack blocks three에서 0이 아닌 성공률을 기록한 유일한 주요 방법이다.
  • 실세계 평가: 실세계 평가는 미학습 객체-컨테이너 구성, 3개 객체의 순차 조작, 정밀한 두 table leg 삽입에서 human-video guidance를 검증한다.이 설정들은 각각 미학습 객체 또는 컨테이너, 장기 행동 순서, 세밀한 target-hole 지정을 검증한다.
  • Ablation: Human-video ICL은 WAN-Action 대비 평균 성공률을 10.98%에서 36.36%로 높이며, 사전학습이 없는 Zero-WAM은 LingBot-VA의 robotic video-action 사전학습에도 불구하고 17.45%에 도달한다.이 비교는 human-video instruction이 text-only conditioning을 넘어서는 태스크 정보를 제공하는 반면, 소규모 ICL 학습만으로는 미학습 장기 태스크에 충분하지 않음을 보여준다.
  • Ablation: IFP는 stack blocks three의 성공률을 0.00%에서 9.00%로 향상해 미학습 장기 조작 태스크에서 zero-success 장벽을 돌파한다.이는 ICL 데이터에서 학습한 human-video-following capability를 이끌어내는 IFP의 역할을 뒷받침한다.

5 결론 및 논의

이 연구는 zero-shot 로봇 cross-task generalization을 causal video-action modeling, 확장 가능한 human-video instruction, task-balanced data를 통해 해결하는 in-context task-specification 문제로 정식화한다. 또한 의미적으로 정렬된 human–robot data가 풍부한 egocentric human video와 부족한 robot trajectory 사이의 간극을 메울 수 있다고 주장한다.

  • 결론: Zero-WAM은 상응하는 robot data 수집이나 model-parameter 업데이트 없이 causal video-action modeling과 확장 가능한 in-context task interface를 사용해 보지 않은 로봇 manipulation task를 수행한다.이 interface는 대규모로 생성된 human video instruction과 task-balanced data construction을 사용한다.
  • 결론: HumanGen은 task-sampled robot trajectory를 의미적으로 대응하는 human video instruction으로 변환하며, task-level trajectory sampling은 robotic pre-training data에서 task-diverse video-action data를 선별한다.이러한 data source는 Zero-WAM이 language와 human video를 task interface로 사용하는 것을 뒷받침한다.
  • 논의: Zero-shot cross-task generalization에는 로봇 foundation policy의 더 강한 transferable prior와 의도를 전달하는 더 풍부한 multimodal task interface가 필요하다.논의에서는 human demonstration을 자연스러운 task specification으로 규정하고, 그 규모와 다양성을 지속적으로 확대해야 한다고 강조한다.
  • 논의: Egocentric human video는 robot demonstration보다 훨씬 더 큰 규모로 수집할 수 있어 유망하지만, embodiment, observation, action gap이 그 활용을 복잡하게 만든다.이 연구가 도입한 의미적으로 정렬된 human–robot data는 풍부한 human video와 상대적으로 부족한 robot trajectory 사이를 연결할 수 있다.

6 관련 연구

관련 연구는 zero-shot cross-task manipulation을 visual generalization보다 어려운 문제로 규정한다. 정책이 보지 못한 task-conditioned dynamics를 추론해야 하기 때문이다. 기존 VLA, WAM, test-time-training, human-video 접근법은 자동 생성된 action-grounded human-video instruction을 adaptation 없이 사용하는 Zero-WAM의 설계를 뒷받침한다.

  • Cross-task generalization: VLA 모델 [42] [43] [3] [44] [5] [6] [45] [46] [47]은 이기종 robot data에 대한 language-conditioned manipulation을 확장하지만, vision-language-to-action mismatch로 인해 cross-task gap은 여전히 해소되지 않는다.Cross-task manipulation은 해당 task에 대한 robot demonstration 없이 보지 못한 task를 실행해야 하므로, 이미 본 task 주변의 scene이나 object attribute를 바꾸는 것보다 어렵다.
  • World-action models: WAM [48] [49] [50] [51] [52] [53] [54] [55] [56] [57]은 정확한 future dynamics를 예측하면 정확한 action을 decode할 수 있다는 근거를 바탕으로, 보지 못한 task의 generalization을 future video prediction 문제로 전환한다.LingBot-VA [11] [12]와 DreamZero [13]를 포함한 video-action modeling은 예측된 future visual dynamics를 embodied control과 결합하거나 이를 활용한다.
  • Test-time adaptation: WAM-TTT [66]와 RoboTTT [67]가 memory 또는 fast-weight update를 통해 test time에 adapt하는 것과 달리, Zero-WAM은 그러한 adaptation 없이 보지 못한 task를 실행하고자 한다.WAM-TTT [66]는 raw human video에서 lightweight memory를 업데이트하는 반면, RoboTTT [67]는 execution history를 policy state로 압축한다.
  • Human-video learning: Human video는 robot learning을 위한 다양한 object interaction을 제공하며, action grounding의 정도를 달리하면서 visual representation, manipulation prior, policy pre-training을 지원한다 [68] [69] [70] [71] [34] [73] [74] [75].Zero-WAM은 생성된 human video와 robot trajectory를 자동으로 pairing하여 더욱 task-aligned한 regime을 지향한다.
  • Human-video data: Zero-WAM은 task-sampled robot video-action data에서 HumanGen을 자동으로 생성하고, human video를 실행 가능한 robot trajectory와 pairing하여 task-diverse video instruction을 확장한다.이를 통해 human-video task specification은 zero-shot cross-task generalization을 위한 WAM training의 확장 가능한 구성 요소가 된다.
Loading 2608.26103v2…