論文の概要: Towards Predictive, Aligned, and Scalable Robot Learning

• arxiv url: http://arxiv.org/abs/2607.11270v1
• Date: Mon, 13 Jul 2026 08:53:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.402827
• Title: Towards Predictive, Aligned, and Scalable Robot Learning
• Title（参考訳）: 予測型・アライン型・スケーラブルなロボット学習を目指して
• Abstract要約: 本稿では、潜在空間における世界ダイナミクスを推論して行動を生成する潜在世界行動モデルであるLumo-2を紹介する。 我々は、潜在世界モデリングとモダリティアライメントについて研究し、スケーリング法則とアウト・オブ・ディストリビューションの一般化におけるそれらの役割を分析した。 その結果,Lumo-2は強い視覚言語モデル(VLA)と世界行動モデル(WAM)のベースラインを一貫して上回っていることがわかった。
• 参考スコア（独自算出の注目度）: 11.830982964522605
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning, at its core, extends beyond memorization to the ability to reason and solve novel problems by navigating a space of possibilities. We introduce Lumo-2, a latent world-action model that generates actions by reasoning over world dynamics in latent space. The learned latent world dynamics capture physically grounded visual transitions, naturally encoding future possibilities and providing a unified substrate for cross-modal alignment. This formulation enables predictive reasoning akin to world modelling while remaining lightweight and focused on physical dynamics relevant to control. Central to our approach is the hypothesis that action generation quality is governed by the geometry of the latent space. We observe that standard reconstruction-based action tokenization objectives induce representations biased toward low-level signal fidelity, leading to misalignment between reconstruction quality and downstream control performance. To address this limitation, we propose a multi-stage modality pre-alignment strategy in which action representations are progressively aligned with latent world dynamics, vision, and language. This process enforces cross-modal consistency, promotes abstraction, and induces a structured latent space for predictive reasoning. We provide a systematic empirical study of latent world modelling and modality alignment, analyzing their roles in scaling laws and out-of-distribution generalization. Results show that Lumo-2 consistently outperforms strong vision-language-action (VLA) and world-action model (WAM) baselines, with gains on challenging real-world tasks requiring temporal reasoning, physical understanding, or high control complexity, including long-horizon and dexterous manipulation. These findings suggest that structured multimodal alignment and predictive reasoning are fundamental principles for advancing embodied intelligence.
• Abstract（参考訳）: 学習の中核は、記憶を超えて、可能性の空間をナビゲートすることで、新しい問題を推論し解決する能力まで拡張する。 本稿では、潜在空間における世界ダイナミクスを推論して行動を生成する潜在世界行動モデルであるLumo-2を紹介する。 学習された潜在世界ダイナミクスは、物理的に接地された視覚遷移を捉え、将来の可能性を自然にエンコードし、クロスモーダルアライメントのための統一された基板を提供する。 この定式化により、世界モデリングに似た予測的推論が可能であり、軽量のままであり、制御に関連する物理力学に重点を置いている。 我々のアプローチの中心は、アクション生成の品質は潜在空間の幾何学によって支配されるという仮説である。 低レベル信号の忠実度に偏った表現を誘導し、再構成品質と下流制御性能の相違を生じることを観察する。 この制限に対処するために、アクション表現が潜時世界力学、ビジョン、言語と段階的に整合する多段階のモーダリティ事前調整戦略を提案する。 このプロセスは、クロスモーダルな一貫性を強制し、抽象化を促進し、予測推論のために構造化された潜在空間を誘導する。 本稿では、潜在世界モデリングとモダリティアライメントの体系的な実証的研究を行い、法則のスケーリングとアウト・オブ・ディストリビューションの一般化におけるそれらの役割を分析する。 その結果,Lumo-2は,時間的推論,身体的理解,長期的操作や外的操作を含む高制御の複雑さを必要とする現実の課題に挑戦する上で,強い視覚言語行動(VLA)と世界行動モデル(WAM)のベースラインを一貫して上回っていることがわかった。 これらの結果は, 構造的マルチモーダルアライメントと予測推論が, インボディードインテリジェンスを進化させる基本的な原理であることを示唆している。

関連論文リスト

• Decoupling Intention from Trajectory: A Representational Deduction Framework for World Action Models [22.16380408116294]
  World Action Models (WAM) は、世界状態の進化を理解し、生成運動計画の指針となる統一アーキテクチャを構築することを目的としている。 本稿では,PILOTを提案する。その中核となるRepresentational Deduction (RD) は,このギャップをネイティブモデル能力として動作思考誘導を統合することで橋渡しする。
  論文  参考訳（メタデータ） (2026-08-07T09:12:15Z)
• AnchorWorld: Embodied Egocentric World Simulation with View-based Evolution Customization [79.26935895370191]
  AnchorWorldは、対話の整合性を強化することで、エゴセントリックなシミュレーションを促進するフレームワークである。 補助訓練監督は、エージェントのファーストパーソンセンタリウムから切り離された視点を取り入れている。 我々は、自己進化する世界をカスタマイズするためのシンプルで効果的なメカニズムを提案する。
  論文  参考訳（メタデータ） (2026-06-05T14:43:13Z)
• 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)
• Self-Evolving Spatial Reasoning in Vision Language Models via Geometric Logic Consistency [53.28076739140119]
  本稿では,視覚・言語モデル(VLM)における論理的一貫性を幾何学的・言語的双対性演算によって実現する枠組みを提案する。 SAGEは、従来のGRPO法に比べてモデルに依存しず、データ効率が良く、既存のVLMに軽量な後学習段階として適用することができる。 ビデオおよび空間推論ベンチマークの実験では、強いベースラインよりも一貫した改善が示されている。
  論文  参考訳（メタデータ） (2026-05-18T10:05:21Z)
• World Action Models: The Next Frontier in Embodied AI [123.5787299299832]
  VLA(Vision-Language-Action)モデルは、具体的政策学習のための強力なセマンティックな一般化を実現している。 彼らは、物理的な世界が介入の下でどのように進化するかを明示的にモデル化することなく、リアクティブな観察から行動へのマッピングを学ぶ。 成長するこの制限には、世界モデル、環境ダイナミクスの予測モデル、アクション生成パイプラインを統合することで対処する。
  論文  参考訳（メタデータ） (2026-05-12T13:10:52Z)
• Aligning Agentic World Models via Knowledgeable Experience Learning [68.85843641222186]
  環境フィードバックをシンセサイザー化したWorld Knowledge Repositoryを構築するフレームワークであるWorldMindを紹介する。 WorldMindは、優れたクロスモデルとクロス環境転送性を備えたベースラインよりも優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-01-19T17:33:31Z)
• World Models Should Prioritize the Unification of Physical and Social Dynamics [57.91940497010114]
  本稿では、物理的・社会的予測能力の体系的・双方向統合が、世界モデル開発における次の重要なフロンティアであると主張している。 包括的世界モデルは、客観的物理法則を主観的、進化的、文脈に依存した社会力学の性質と一体的に統合する必要があると我々は主張する。
  論文  参考訳（メタデータ） (2025-10-24T07:42:37Z)
• Seeing Space and Motion: Enhancing Latent Actions with Spatial and Dynamic Awareness for VLA [21.362682837521632]
  Latent Action Models (LAMs) は、視覚言語制御システムにおいて、大規模な無注釈データからセマンティック・アクション・リセプションを学習することを可能にする。 Farsighted-LAMを提案する。これは幾何学的空間符号化とマルチスケール時間的モデリングを備えた潜在アクションフレームワークである。 さらに,Farsighted-LAM上に構築されたエンドツーエンドVLAフレームワークであるSSM-VLAを提案する。
  論文  参考訳（メタデータ） (2025-09-30T13:41:43Z)
• From Perception to Cognition: A Survey of Vision-Language Interactive Reasoning in Multimodal Large Language Models [66.36007274540113]
  MLLM(Multimodal Large Language Models)は、物理的世界に対する深い人間的な理解と相互作用を達成するための試みである。 情報取得(知覚)や推論(認知)を行う際、しばしば浅く不整合な統合を示す。 この調査では、新しい統合分析フレームワーク「知覚から認知へ」を紹介した。
  論文  参考訳（メタデータ） (2025-09-29T18:25:40Z)
• VisionLaw: Inferring Interpretable Intrinsic Dynamics from Visual Observations via Bilevel Optimization [3.131272328696594]
  VisionLawは、視覚的な観察から固有の力学の解釈可能な表現を推論する二段階最適化フレームワークである。 既存の最先端手法を著しく上回り、新しいシナリオにおける対話型シミュレーションの強力な一般化を示す。
  論文  参考訳（メタデータ） (2025-08-19T12:52:16Z)
• DreamVLA: A Vision-Language-Action Model Dreamed with Comprehensive World Knowledge [41.030494146004806]
  本稿では,逆動力学モデリングを実現するために,包括的世界知識予測を統合した新しいVLAフレームワークであるDreamVLAを提案する。 DreamVLAは、動的領域誘導の世界知識予測を導入し、空間的および意味的な手がかりと統合し、アクション計画のためのコンパクトで包括的な表現を提供する。 実世界とシミュレーション環境での実験では、ドリームVLAが実際のロボットタスクで76.7%の成功率を達成したことが示されている。
  論文  参考訳（メタデータ） (2025-07-06T16:14:29Z)

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。