論文の概要: Latent Actions from Factorized Transition Effects under Agent Ambiguity

• arxiv url: http://arxiv.org/abs/2606.30544v1
• Date: Mon, 29 Jun 2026 16:45:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.337196
• Title: Latent Actions from Factorized Transition Effects under Agent Ambiguity
• Title（参考訳）: エージェント曖昧性下における因子化遷移効果の潜伏作用
• Abstract要約: 我々は、各遷移を、観測された遷移プリミティブのスパースセットに分解する、観測された遷移因子化(OTF)を導入する。 我々はまた、動作プリミティブを標準逆フォワード動的フレームワーク内でアクションライクな潜在子に抽象化するOTF-LAMと、凍結したDINOv2表現空間における将来の状態を予測するデコーダフリーな変種であるOTF-LAM-Dinoを提案する。
• 参考スコア（独自算出の注目度）: 15.872376579590437
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Latent Action Models (LAMs) learn action-like proxies from observation transitions. However, in multi-object or distractor-rich scenes, these visual effects mix agent motion with distractors, camera dynamics, and background changes, making the underlying action source ambiguous without supervision. Structuring this mixture as reusable transition effects provides an intermediate representation from which action-like latents can be more robustly formed. We introduce Observed Transition Factorization (OTF), which decomposes each transition into a sparse set of observed transition primitives. Using these primitives as the transition interface, we propose OTF-LAM, which abstracts motion primitives into action-like latents within the standard inverse-forward dynamics framework, and OTF-LAM-Dino, a decoder-free variant that predicts future states in a frozen DINOv2 representation space. Empirically, OTF primitives transfer zeroshot across controlled carrier and morphology shifts, showing reusability. Furthermore, downstream policy learning results match or outperform baselines under complex transition ambiguity.
• Abstract（参考訳）: ラテントアクションモデル(LAM)は、観測遷移からアクションのようなプロキシを学ぶ。 しかし、マルチオブジェクトやイントラクタリッチなシーンでは、これらの視覚効果はエージェントの動きとイントラクタ、カメラのダイナミックス、背景の変化を混合し、根底にあるアクションソースを監督なしで曖昧にする。 この混合物を再利用可能な遷移効果として構造化することで、作用様の潜水剤をより堅牢に形成できる中間表現が得られる。 我々は、各遷移を、観測された遷移プリミティブのスパースセットに分解する、観測された遷移因子化(OTF)を導入する。 これらのプリミティブをトランジションインターフェースとして用いて、動作プリミティブを標準逆フォワード動的フレームワーク内のアクションライクな潜在子に抽象化するOTF-LAMと、凍結したDINOv2表現空間における将来の状態を予測できるデコーダフリーな変種であるOTF-LAM-Dinoを提案する。 実証的に、OTFプリミティブはゼロショットを制御されたキャリアとモルフォロジーシフト間で転送し、再利用性を示す。 さらに、ダウンストリームポリシー学習の結果は、複雑な遷移あいまいさの下で、ベースラインと一致または性能が良くなる。

関連論文リスト

• UniMPA: A Unified Memory-Prediction-Action Model via Action-Grounded Transition Modeling [73.35395707747456]
  ビジョン・ランゲージ・アクションモデルの最近の進歩はロボット操作を改善しているが、基本的な遷移実現可能性のギャップによって観察・行動学習は制限されている。 将来の観測は、物理的に実現可能な遷移と必ずしも一致しない。 歴史的に実行可能なアクションパターンは、現在のシーンにおける意図した遷移を必ずしも認識しない可能性があるため、コンテキスト対応の適応が必要である。
  論文  参考訳（メタデータ） (2026-09-10T17:45:03Z)
• DLAM: Distributional Latent Actions with Temporal Constraints [25.743937994244902]
  本稿では,各遷移を対角ガウスとして表現する分布潜在作用モデルであるDLAMを紹介する。 下流のポリシー学習では、エンコーダを凍結し、フローマッチングポリシーをトレーニングし、平均遷移シーケンスとロボットアクションを共同で生成する。 ホールドアウト遷移では、DLAMは既存の潜在動作ベースラインよりも時間的に一貫した潜伏ダイナミクスを学習し、ホールドアウトビデオ上でより強い直接的および累積的再構成を実現する。
  論文  参考訳（メタデータ） (2026-07-29T17:09:48Z)
• DWM: Separating World Effects from Actions in Latent World Models [34.35433044964186]
  本稿では、この分解を運用する監督レベルフレームワークであるDWM(Decomposed World Model)を紹介する。 DWMは補助世界ヘッドで潜在世界モデルの予測を増強し、通常化された世界コントラストの目的によって正規化され、アクション不変である。 我々は、PushT-W、Reacher-W、TwoRoom-Wの3つの標準制御ベンチマークのW変種を構築する。
  論文  参考訳（メタデータ） (2026-07-21T05:13:26Z)
• PoLAR: Factorizing Extent and Mode in Latent Actions for Robot Policy Learning [7.207198416919797]
  潜在的行動事前訓練は、一対の観察から視覚変化の表現を学ぶ。 放射状構造を持つ極性潜伏作用 (PoLAR) を導入し, 潜伏作用に放射状指向構造を課す。 PoLARはシミュレーションおよび実世界のロボット実験における下流ポリシー性能を改善する。
  論文  参考訳（メタデータ） (2026-06-19T06:24:05Z)
• SCAR: Self-Supervised Continuous Action Representation Learning [36.917304453471864]
  視覚的遷移から具現化された動作表現を学習するための共同逆フォワード動的フレームワークであるSCARを提案する。 事前訓練された生成バックボーン上に構築されたSCARは、逆ダイナミクスモデル(IDM)を使用して、潜時観測ペアから潜時動作を推論し、フォワードダイナミクスモデル(FDM)を用いて、それらに条件付けられた将来のダイナミクスを予測する。 Procgen と Robotwin のデータセットの実験により、学習された統合潜在行動表現は、具体化固有の生の行動よりも、世界モデリングのためのより強い条件付けインターフェースとして機能することが示された。
  論文  参考訳（メタデータ） (2026-05-13T16:23:11Z)
• From Imagined Futures to Executable Actions: Mixture of Latent Actions for Robot Manipulation [88.39072412680633]
  将来の映像を実行可能な表現に変換する制御指向インタフェースであるMoLAを提案する。 我々は,シミュレーションベンチマークと実世界のロボット操作タスクに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2026-05-12T14:15:16Z)
• ALAM: Algebraically Consistent Latent Action Model for Vision-Language-Action Models [31.2829405167292]
  ALAM(Algebraic Latent Action Model)は、アクションフリービデオにおける時間的関係を構造的監視に変換する。 ALAMは、構成と逆整合性によって規則化されながら、再構成によって基礎付けられた潜伏遷移を学習する。 下流VLA学習では、事前学習したエンコーダを凍結し、その潜伏遷移配列を補助的生成ターゲットとして使用する。
  論文  参考訳（メタデータ） (2026-05-11T16:37:07Z)
• \ extsc{NaVIDA}: Vision-Language Navigation with Inverse Dynamics Augmentation [50.027425808733994]
  textscNaVIDAは、ポリシー学習とアクショングラウンドの視覚力学と適応実行を結合した統合VLNフレームワークである。 textscNaVIDAは、チャンクベースの逆ダイナミクスによるトレーニングを強化し、視覚変化と対応するアクションの因果関係を学習する。 実験の結果,textscNaVIDAはパラメータが少ない最先端の手法に比べてナビゲーション性能が優れていることがわかった。
  論文  参考訳（メタデータ） (2026-01-26T06:16:17Z)
• Deep Compositional Phase Diffusion for Long Motion Sequence Generation [7.101824215756715]
  本稿では,隣接した動きクリップからの意味指導と位相詳細を拡散過程に組み込んだ構成相拡散について述べる。 実験により,構成運動列の生成において,提案するフレームワークの競合性能を実証した。
  論文  参考訳（メタデータ） (2025-10-16T08:28:46Z)
• Dita: Scaling Diffusion Transformer for Generalist Vision-Language-Action Policy [73.75271615101754]
  本稿では,Transformerアーキテクチャを活用した拡張性のあるフレームワークであるDitaについて紹介する。 Ditaはコンテキスト内コンディショニング(context conditioning)を採用しており、歴史的観察から生の視覚トークンと識別されたアクションをきめ細やかなアライメントを可能にする。 Ditaは、さまざまなカメラパースペクティブ、観察シーン、タスク、アクションスペースの横断的なデータセットを効果的に統合する。
  論文  参考訳（メタデータ） (2025-03-25T15:19:56Z)
• Diffusion Transformer Policy [48.50988753948537]
  本稿では,拡散変圧器ポリシー(Diffusion Transformer Policy)と呼ばれる多モード拡散変圧器を提案し,連続的なエンドエフェクタ動作をモデル化する。 トランスのスケーリング機能を活用することで、提案手法は、多種多様なロボットデータセットにわたる継続的エンドエフェクタアクションを効果的にモデル化することができる。
  論文  参考訳（メタデータ） (2024-10-21T12:43:54Z)
• Weakly-supervised Action Transition Learning for Stochastic Human Motion Prediction [81.94175022575966]
  動作駆動型人間の動作予測の課題について紹介する。 一連の動作ラベルと短い動作履歴から、複数の可算な将来の動作を予測することを目的としている。
  論文  参考訳（メタデータ） (2022-05-31T08:38:07Z)
• Exploring Transferable and Robust Adversarial Perturbation Generation from the Perspective of Network Hierarchy [52.153866313879924]
  敵の例の移動可能性と堅牢性は、ブラックボックスの敵攻撃の実用的かつ重要な2つの性質である。 伝送可能で頑健な逆生成法(TRAP)を提案する。 我々のTRAPは、ある種の干渉に対して印象的な伝達性と高い堅牢性を実現する。
  論文  参考訳（メタデータ） (2021-08-16T11:52:41Z)

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。