論文の概要: H-WM: Robotic Task and Motion Planning Guided by Hierarchical World Model
- arxiv url: http://arxiv.org/abs/2602.11291v2
- Date: Wed, 04 Mar 2026 17:05:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:41.380881
- Title: H-WM: Robotic Task and Motion Planning Guided by Hierarchical World Model
- Title（参考訳）: H-WM:階層的世界モデルによるロボット作業と運動計画
- Abstract要約: 統合されたフレームワーク内での論理的および視覚的状態遷移を共同で予測する階層的世界モデル(H-WM)を提案する。
H-WMは、高レベルの論理世界モデルと低レベルの視覚世界モデルを組み合わせて、記号的推論の長い水平と視覚的接地を統合する。
複数の視覚-言語-アクション(VLA)制御ポリシに対する実験は、H-WMのガイダンスの有効性と汎用性を示している。
- 参考スコア（独自算出の注目度）: 26.305515799597714
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: World models are becoming central to robotic planning and control as they enable prediction of future state transitions. Existing approaches often emphasize video generation or natural-language prediction, which are difficult to ground in robot actions and suffer from compounding errors over long horizons. Classic task and motion planning models world transitions in logical space, enabling robot-executable and robust long-horizon reasoning. However, they typically operate independently of visual perception, preventing synchronized symbolic and visual state prediction. We propose a Hierarchical World Model (H-WM) that jointly predicts logical and visual state transitions within a unified framework. H-WM combines a high-level logical world model with a low-level visual world model, integrating the long-horizon robustness of symbolic reasoning with visual grounding. The hierarchical outputs provide stable intermediate guidance for long-horizon tasks, mitigating error accumulation and enabling robust execution across extended task sequences. Experiments across multiple vision-language-action (VLA) control policies demonstrate the effectiveness and generality of H-WM's guidance.
- Abstract（参考訳）: 世界モデルは、将来の状態遷移の予測を可能にするため、ロボット計画と制御の中心になりつつある。
既存のアプローチでは、ビデオ生成や自然言語予測が強調されることが多く、ロボットの動作を基盤にするのは難しく、長い地平線上の複雑なエラーに悩まされる。
古典的なタスク・アンド・モーション・プランニング・モデルでは、論理空間で世界が遷移し、ロボットが実行可能で堅牢なロングホライゾン推論を可能にする。
しかし、それらは一般的に視覚的知覚とは独立して動作し、同期されたシンボルと視覚状態の予測を防ぐ。
統合されたフレームワーク内での論理的および視覚的状態遷移を共同で予測する階層的世界モデル(H-WM)を提案する。
H-WMは、高レベルの論理世界モデルと低レベルの視覚世界モデルを組み合わせて、記号的推論の長い水平ロバスト性と視覚的グラウンド化を統合する。
階層的な出力は、長い水平タスクに対して安定した中間ガイダンスを提供し、エラーの蓄積を緩和し、拡張されたタスクシーケンス間で堅牢な実行を可能にする。
複数の視覚-言語-アクション(VLA)制御ポリシに対する実験は、H-WMのガイダンスの有効性と汎用性を示す。
関連論文リスト
- GWM-VLA: Geometry-Aware Latent World Modeling for Vision-Language-Action Learning [28.596605555817032]
VLA(Vision-Language-Action)モデルは強力なロボット操作性能を実現するが、視覚や環境の変化によって劣化することが多い。
本稿では,VLA学習のための幾何学的な潜在世界モデリングフレームワークであるGWM-VLAを提案する。
論文 参考訳（メタデータ） (2026-08-07T06:41:51Z) - NavWM: A Unified Navigation World Model for Foresight-Driven Planning [15.801647085785826]
NavWMは、潜在世界推論、マルチモーダルアクション予測、制御可能な視覚生成をシームレスに統合する統合ナビゲーションワールドモデルである。
決定論的なポリシーの限界を克服するために、我々はアンカーベースのマルチモーダル軌道予測フレームワークを導入する。
多様なデータセットにわたる実験により、NavWMは最先端の技術を著しく進歩させることが示された。
論文 参考訳（メタデータ） (2026-06-23T03:30:20Z) - Sensorimotor World Models: Perception for Action via Inverse Dynamics [59.121736411156384]
Inverse dynamics regularization で訓練されたエンド・ツー・エンドのセンサモレータ・ワールドモデルを導入する。
表現の崩壊を防ぎ、アクション整列表現を誘導する。
コンパクトで解釈可能な潜在空間を学習し、単純な2Dおよび3D制御タスク間の競合計画性能を実現する。
論文 参考訳（メタデータ） (2026-06-18T11:25:16Z) - GraphWorld: Long-Horizon Planning with World Models for End-to-End Autonomous Driving [56.50032398571235]
GraphWorldはE2E-ADフレームワークで、潜在世界モデリングを通じて長期計画を明確に強化する。
本研究では,エゴ車と周辺エージェントの相互作用をモデル化することで,エゴ中心の潜在世界表現を学習する世界国家計画を提案する。
この潜在世界状態は、重要な相互作用のダイナミクスと安全関連セマンティクスを捉え、長距離で安全を意識した軌道計画の指針となる条件付け信号として機能する。
論文 参考訳（メタデータ） (2026-06-15T06:26:46Z) - X-Foresight: A Joint Vision-Action Causal Forecasting Network via Predictive World Modeling [47.54820149491433]
我々は,ビジョン・ランゲージ・アクション・アーキテクチャに直接統合された予測的世界モデルであるX-Foresightを紹介する。
隣接するフレームではなく意味的に離れたチャンクを予測することで、X-Foresightは自明な外挿を逃れる。
総合的な実験により、X-Foresightは計画性能においてVLAベースラインを大幅に上回っていることが示された。
論文 参考訳（メタデータ） (2026-05-24T06:37:04Z) - LaWM: Least Action World Models for Long-Horizon Physical Consistency from Visual Observations [9.35652906982887]
学習された視覚的潜伏空間における最小アクションの原理を運用するためのラストアクション世界モデル(LaWM)を提案する。
LaWMは、学習された一般化された座標に観測を符号化し、連続的な潜伏状態上で潜在離散ラグランジアンを学ぶ。
遷移は離散的な変動原理によって誘導されるため、LaWMは長期の視覚予測のための構造保存バイアスを提供する。
論文 参考訳（メタデータ） (2026-05-08T07:03:13Z) - Hierarchical Planning with Latent World Models [49.82095442483551]
階層的計画は、最大4倍の計画時間計算を必要としながら、より高い成功を達成する。
この階層的なアプローチにより、現実世界の非グリーディロボットタスクをゼロショットで制御できることを実証する。
論文 参考訳（メタデータ） (2026-04-03T17:32:36Z) - Act2Goal: From World Model To General Goal-conditioned Policy [14.222177107215648]
Act2Goalは、ゴール条件付きビジュアルワールドモデルとマルチスケールの時間制御を統合した、ゴール条件付き操作ポリシーである。
Act2Goalは、自律的なインタラクションの数分以内に、配布外タスクに挑戦する上で、成功率を30%から90%に改善することを示す。
論文 参考訳（メタデータ） (2025-12-29T15:28:42Z) - PAN: A World Model for General, Interactable, and Long-Horizon World Simulation [49.805071498152536]
PANは、汎用的で対話性があり、長い水平世界モデルである。
歴史と自然言語のアクションを前提とした高品質なビデオシミュレーションにより、将来の世界の状態を予測します。
実験により, PANは行動条件付き世界シミュレーション, 長期予測, シミュレーション推論において高い性能を発揮することが示された。
論文 参考訳（メタデータ） (2025-11-12T07:20:35Z) - Unified World Models: Memory-Augmented Planning and Foresight for Visual Navigation [69.94565127141483]
現在のアプローチでは、ナビゲーション計画とビジュアルワールドモデリングが分離されており、状態-アクションのミスアライメントと適応性の制限につながっている。
一つのマルチモーダル自己回帰バックボーン内に、自我中心の視線と計画を統合する統一されたメモリ拡張世界モデルUniWMを提案する。
我々は,UniWMが航法成功率を最大30%向上し,トラジェクトリエラーを強いベースラインと比較して著しく低減し,未確認のTartanDriveデータセットに印象的なゼロショット一般化を示すことを示した。
論文 参考訳（メタデータ） (2025-10-09T18:18:11Z) - Learning Primitive Embodied World Models: Towards Scalable Robotic Learning [50.32986780156215]
我々は,世界モデリングのための新しいパラダイム--Primitive Embodied World Models (PEWM)を提案する。
ビデオ生成を固定的な短地平線に制限することにより,ロボット行動の言語概念と視覚的表現の微妙なアライメントを可能にする。
我々のフレームワークは、きめ細かい物理的相互作用と高レベルの推論のギャップを埋め、スケーラブルで解釈可能で汎用的なインテリジェンスへの道を開く。
論文 参考訳（メタデータ） (2025-08-28T14:31:48Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。