論文の概要: World2Act: Latent Action Post-Training via Skill-Compositional World Models
- arxiv url: http://arxiv.org/abs/2603.10422v1
- Date: Wed, 11 Mar 2026 05:11:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-12 16:22:32.789425
- Title: World2Act: Latent Action Post-Training via Skill-Compositional World Models
- Title（参考訳）: World2Act: Skill-Compositional World Modelsによる潜在行動ポストトライニング
- Abstract要約: 世界モデル(WM)は、ビジョン・ランゲージ・アクション(VLA)政策の訓練後、有望なアプローチとして登場した。
我々は、VLAアクションとWMビデオダイナミックスラテントを直接整列するポストトレーニングフレームワークであるWorld2Actを紹介する。
我々は,多様なタスク地平線で時間的に一貫したスキル構成型WMをサポートするRoboCasa-SkillとLIBERO-Skillを製造する。
- 参考スコア（独自算出の注目度）: 54.657754921863834
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: World Models (WMs) have emerged as a promising approach for post-training Vision-Language-Action (VLA) policies to improve robustness and generalization under environmental changes. However, most WM-based post-training methods rely on pixel-space supervision, making policies sensitive to pixel-level artifacts and hallucination from imperfect WM rollouts. We introduce World2Act, a post-training framework that aligns VLA actions directly with WM video-dynamics latents using a contrastive matching objective, reducing dependence on pixels. Post-training performance is tied to rollout quality, yet current WMs struggle with arbitrary-length video generation as they are mostly trained on fixed-length clips while robotic execution durations vary widely. To address this, we propose an automatic LLM-based skill-decomposition pipeline that segments high-level instructions into low-level prompts. Our pipeline produces RoboCasa-Skill and LIBERO-Skill, supporting skill-compositional WMs that remain temporally consistent across diverse task horizons. Empirically, applying World2Act to VLAs like GR00T-N1.6 and Cosmos Policy achieves state-of-the-art results on RoboCasa and LIBERO, and improves real-world performance by 6.7%, enhancing embodied agent generalization.
- Abstract（参考訳）: 世界モデル(WM)は、環境変化下での堅牢性と一般化を改善するために、ビジョン・ランゲージ・アクション(VLA)政策の訓練後において有望なアプローチとして登場した。
しかしながら、ほとんどのWMベースのポストトレーニング手法は画素空間の監督に依存しており、画素レベルのアーティファクトに敏感なポリシーと不完全なWMロールアウトからの幻覚を発生させる。
本稿では,VLA アクションと WM ビデオダイナミックスラテントを直接整列するポストトレーニングフレームワーク World2Act を紹介する。
ポストトレーニングのパフォーマンスはロールアウトの品質に結びついているが、現在のWMは、主に固定長のクリップで訓練されているため、任意の長さのビデオ生成に苦労している。
そこで本研究では,高レベルの命令を低レベルのプロンプトに分割するLLMベースのスキル分解パイプラインを提案する。
我々のパイプラインはRoboCasa-SkillとLIBERO-Skillを生成し、多様なタスクの水平線で時間的に一貫したスキル構成のWMをサポートする。
実証的に、GR00T-N1.6やコスモスポリシーのようなVLAにWorld2Actを適用すると、RoboCasaやLIBEROの最先端の結果が得られ、現実世界のパフォーマンスが6.7%向上し、エンボディエージェントの一般化が向上する。
関連論文リスト
- WM-R1: Training GUI Agents to Reason and leverage World Models with Reinforcement Learning [9.419939770187545]
実環境の代わりに世界モデルでモバイルGUIエージェントを訓練する強化学習フレームワークであるWM-R1を提案する。
ワールドモデルは、すべてのロールアウト中の状態遷移のソースとして機能し、トレーニングループ内の実際のAndroid環境を置き換える。
WM-R1はまた、世界モデルを直接思考プロセスに埋め込み、エージェントが最終的な行動にコミットする前に、候補アクションの結果を推論することを可能にする。
論文 参考訳（メタデータ） (2026-08-27T07:09:28Z) - World Tokens: Enhancing Embodied Policies with Training-Time World Modeling [29.442423651761107]
私たちはWorld Tokensを紹介します。World Adapterを中心に構築された、具体化されたポリシーアーキテクチャです。
World Tokensは視覚言語理解、ワールドダイナミックスモデリング、アクション生成を橋渡しする。
SIMPLEで報告された最高の平均値を取得し、一致したアクションのみのベースラインよりも実世界のR1 Proの成功を大幅に改善し、VLAレベルのレイテンシで各アクションチャンクを生成する。
論文 参考訳（メタデータ） (2026-08-10T15:30:38Z) - Learning Panorama-Aware VLA for Mobile Manipulation with Whole-Body Teleoperation [55.724481205135675]
モバイル操作は、視覚言語アクションポリシーに2つの重要な課題を提起する。
我々は全身遠隔操作システムとパノラマ対応VLAポリシーを開発した。
パノラマを意識したバイマンダル操作のための視覚-言語-アクションポリシーであるパノVLAを提案する。
論文 参考訳（メタデータ） (2026-08-03T14:03:26Z) - GigaWorld-Policy-0.5: A Faster and Stronger WAM Empowered by AutoResearch [66.7936140772745]
本稿では,より効率的なロボット制御を目的としたアクション中心型WAMであるGigaWorld-Policy-0.5を紹介する。
効率的な推論のために、GigaWorld-Policy-0.5はMixture-of-Transformersアーキテクチャを導入している。
GigaWorld-Policy-0.5は,ロボット制御の推論効率を向上しつつ,将来の視覚力学のトレーニング効果を保っている。
論文 参考訳（メタデータ） (2026-07-15T15:46:42Z) - AHA-WAM:Asynchronous Horizon-Adaptive World-Action Modeling with Observation-Guided Context Routing [45.6226084109777]
本稿では,Diffusion Transformer (DiT) アーキテクチャ上に構築されたAHA-WAM(Asynchronous Horizon-Adaptive World-Action Model)を提案する。
AHA-WAMはロボットデータの事前学習なしに最先端のパフォーマンスを達成し、RoboTwinで平均92.80%、実世界の4つのタスクで78.3%の成功を達成した。
論文 参考訳（メタデータ） (2026-06-08T17:55:18Z) - RotVLA: Rotational Latent Action for Vision-Language-Action Model [54.22746299071677]
本稿では,連続的な回転潜在動作表現に基づくVLAフレームワークであるRotVLAを紹介する。
潜在作用はSO(n) の元としてモデル化され、連続性、構成性、および実世界の作用力学と整合した構造的幾何学を提供する。
RotVLAはVLMバックボーンとフローマッチングアクションヘッドで構成される。
論文 参考訳（メタデータ） (2026-05-13T11:58:02Z) - DIAL: Decoupling Intent and Action via Latent World Modeling for End-to-End VLA [72.9197085473598]
DIALはハイレベルな意思決定と低レベルなモーター実行を、差別化可能な潜在意図ボトルネックを通じてブリッジするフレームワークである。
VLMベースのSystem-2は、VLMのネイティブな特徴空間内で、潜伏した視覚的フォレストによって潜伏世界モデリングを行う。
軽量のSystem-1ポリシーでは、この予測された意図と現在の観測結果を正確にロボットの動作にデコードする。
論文 参考訳（メタデータ） (2026-03-31T15:02:27Z) - LiLo-VLA: Compositional Long-Horizon Manipulation via Linked Object-Centric Policies [54.150202739999806]
LiLo-VLAは、新しいロングホライゾンタスクに対してゼロショットのモジュラリティをトレーニングすることなく実現できるモジュラーフレームワークである。
LIBERO-Long++とUltra-Longという2つの課題からなる21タスクのシミュレーションベンチマークを導入する。
これらのシミュレーションでは、LiLo-VLAは平均成功率69%を達成し、Pi0.5を41%、OpenVLA-OFTを67%上回った。
論文 参考訳（メタデータ） (2026-02-25T03:33:39Z) - Global Prior Meets Local Consistency: Dual-Memory Augmented Vision-Language-Action Model for Efficient Robotic Manipulation [95.89924101984566]
GPM(Global Prior Memory)とLCM(Local Consistency Memory)を備えたデュアルメモリVLAフレームワークOptimusVLAを紹介する。
GPMはガウスノイズを意味論的に類似した軌道から取得したタスクレベルの先行値に置き換える。
LCMは、時間的コヒーレンスと軌道の滑らかさを強制する学習された一貫性制約を注入する。
論文 参考訳（メタデータ） (2026-02-22T15:39:34Z) - 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) - World-in-World: World Models in a Closed-Loop World [123.85805788728128]
我々は,実エージェントと環境の相互作用を反映したクローズドループの世界において,世界モデルをベンチマークする最初のオープンプラットフォームであるWorld-in-Worldを紹介した。
多様なWMを厳格に評価し、タスク成功を主要な指標として優先順位付けし、視覚的品質に重点を置く4つのクローズドループ環境をキュレートする。
1)視覚的品質だけではタスクの成功は保証されないが、制御可能性の方が重要であること、2) 行動観測データによる後トレーニングのスケーリングは、事前訓練されたビデオジェネレータをアップグレードするよりも効果的であること、3) 推論時計算の割り当てにより、WMsは大幅にクローズドな改善が可能であること、の3つのサプライズを明らかにした。
論文 参考訳（メタデータ） (2025-10-20T22:09:15Z) - Towards Robust and Generalizable Continuous Space-Time Video Super-Resolution with Events [71.2439653098351]
連続時空ビデオスーパーSTVSRは、高解像度で高フレームのビデオを任意の時間スケールで再構成する能力への関心が高まっている。
EvEnhancerは、イベントストリームにカプセル化された高時間および高ダイナミックレンジのユニークな特性を結合する新しいアプローチである。
提案手法は,OODスケールでの一般化性を維持しつつ,合成および実世界の両方のデータセット上での最先端性能を実現する。
論文 参考訳（メタデータ） (2025-10-04T15:23:07Z) - WorldGym: World Model as An Environment for Policy Evaluation [41.204900701616914]
WorldGymは、実環境のプロキシとして機能する自動回帰、アクション条件付きビデオ生成モデルである。
ポリシーはモンテカルロの世界モデルによるロールアウトを通じて評価され、視覚言語モデルが報酬を提供する。
We show that WorldGym can maintain relative policy rankings across different policy version, sizes, and training checkpoints。
論文 参考訳（メタデータ） (2025-05-31T15:51:56Z) - Embodied Long Horizon Manipulation with Closed-loop Code Generation and Incremental Few-shot Adaptation [12.077740860502878]
身体的ロングホライゾン操作では、ロボットシステムが視覚や自然言語などのマルチモーダル入力を処理し、それらを実行可能なアクションに変換する必要がある。
近年,大規模言語モデル (LLM) を自然言語を用いてタスクをサブタスクに分解し,事前訓練した低レベルコントローラを誘導する高レベルプランナとしての利用が検討されている。
我々のフレームワークは,LoHoRavens,CALVIN,Franka Kitchen,および乱雑な現実世界設定をまたいだ,30以上の多様かつ不明瞭なロングホライゾンタスクに対して,最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2025-03-27T20:32:58Z) - CAMEL: Continuous Action Masking Enabled by Large Language Models for Reinforcement Learning [3.602902292270654]
連続行動空間における強化学習(RL)は、非効率な探索や準最適解への収束のような永続的な課題に遭遇する。
我々は,LLM生成した準最適ポリシーをRLトレーニングパイプラインに統合する新しいフレームワークであるCAMELを提案する。
論文 参考訳（メタデータ） (2025-02-17T15:22:19Z)
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。