論文の概要: World Action Planner: Generalizable Decision-Making with Action-Conditioned World Models
- arxiv url: http://arxiv.org/abs/2607.27599v1
- Date: Thu, 30 Jul 2026 02:41:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-31 21:37:00.367265
- Title: World Action Planner: Generalizable Decision-Making with Action-Conditioned World Models
- Title（参考訳）: World Action Planner: アクション駆動型世界モデルによる一般化可能な意思決定
- Abstract要約: 視覚言語モデル(VLM)の推論能力を活用したロボット計画システムであるWorld Action Plannerを提案する。
本システムでは,エージェントが初期行動計画を提案し,それらを最適化と探索により反復的に洗練し,想像上の世界モデル展開を推し進める。
提案手法は, 合成タスク, レイアウト, ゼロショットの一般化シナリオにおいて, 優れた性能を実現することを実証する。
- 参考スコア（独自算出の注目度）: 54.68021681438324
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Building generalizable agents for diverse applications remains a fundamental challenge. While imitation learning-based policies succeed in specific training environments, they often fail to generalize to novel scenes and tasks. In this work, we propose World Action Planner, a robot planning system that leverages the reasoning capabilities of Vision-Language Models (VLMs) and the physical grounding of a multi-task pose-image conditioned world model. Our system enables an agent to propose initial action plans and iteratively refine them via optimization and search, reasoning over imagined world model rollouts. We demonstrate that our approach achieves superior performance across compositional tasks, new layouts, and zero-shot generalization scenarios, significantly outperforming state-of-the-art end-to-end policy models such as VLAs and WAMs. Project website at worldactionplanner.github.io
- Abstract（参考訳）: 多様なアプリケーションのための汎用エージェントの構築は、依然として根本的な課題である。
模倣学習に基づくポリシーは特定の訓練環境で成功するが、しばしば新しいシーンやタスクに一般化できない。
本研究では,視覚言語モデル(VLM)の推論能力とマルチタスク・ポーズ・イメージ条件付き世界モデルの物理的グラウンド化を活用するロボット計画システムであるWorld Action Plannerを提案する。
本システムでは,エージェントが初期行動計画を提案し,それらを最適化と探索により反復的に洗練し,想像上の世界モデル展開を推し進める。
提案手法は,合成タスク,新しいレイアウト,ゼロショットの一般化シナリオにおいて優れた性能を達成し,VLAやWAMといった最先端のポリシーモデルよりも大幅に優れていることを示す。
Project website at worldactionplanner.github.io
関連論文リスト
- World-Action Models for Robot Learning and Control: A Survey [41.45329550202786]
世界モデル、ビデオ生成、ビジョン・ランゲージ・アクション(VLA)政策の最近の進歩は、ワールド・アクション・モデル(WAM)の発展を動機づけている。
この調査は、WAMのロボティクス指向のレビューを提供する。
我々は、従来の世界モデル、モデルに基づく強化学習、アクション条件付きビデオ生成、リアクティブVLAポリシーに対するそれらのスコープを明確にし、統一された分類法によって既存の手法を整理する。
我々は,行動アライメント,世界行動の分解,空間的・多視点整合性,長期記憶,閉ループ政策学習のためのニューラルシミュレーション,効率的な推論における重要な課題について議論する。
論文 参考訳（メタデータ） (2026-09-13T16:35:56Z) - Unifying Object-Centric World Models and Diffusion Policy: A Hierarchical Framework for Multi-Stage Robotic Tasks [44.06996146648851]
マルチステージロボット操作用に設計された世界モデルフレームワークであるWorldDPを紹介する。
我々の階層的アプローチは、実行中に実現可能なサブゴールを最適化するために、遷移関数として高レベル世界モデルを利用する。
環境エンティティを分離したオブジェクト中心の表現を導入し,それぞれに対して順次計画を立てることを可能にする。
論文 参考訳（メタデータ） (2026-06-07T18:39:45Z) - Scaling World Model for Hierarchical Manipulation Policies [61.736772957803026]
Vision-Language-Action(VLA)モデルは、汎用的なロボット操作を約束するが、配布外設定では脆弱である。
本稿では,大規模事前学習型世界モデルの一般化を活用した階層型ビジョン・ランゲージ・アクション・フレームワークを提案する。
視覚目標合成と階層型VLAポリシの両方を,大規模なアウト・オブ・ディストリビューションシナリオで検証する。
論文 参考訳（メタデータ） (2026-02-11T16:12:33Z) - ExoPredicator: Learning Abstract Models of Dynamic Worlds for Robot Planning [77.49815848173613]
本研究では,内因性行動とメカニズムの両方について,シンボル的状態表現と因果過程を共同で学習する抽象世界モデルのためのフレームワークを提案する。
シミュレーションされた5つのテーブルトップロボット環境の中で、学習されたモデルは、より多くのオブジェクトとより複雑な目標を持つ保留タスクに一般化した高速な計画を可能にし、幅広いベースラインを上回ります。
論文 参考訳（メタデータ） (2025-09-30T13:44:34Z) - Acting and Planning with Hierarchical Operational Models on a Mobile Robot: A Study with RAE+UPOM [5.758011837296545]
本稿では,行動と計画の両方の階層的操作モデルを共有する,アクター・プランナ統合システムの最初の物理的展開について述べる。
RAE+UPOMを実環境に配置した移動マニピュレータにオブジェクト収集タスクを実装した。
論文 参考訳（メタデータ） (2025-07-15T14:20:26Z) - WorldPrediction: A Benchmark for High-level World Modeling and Long-horizon Procedural Planning [52.36434784963598]
我々は、異なるAIモデルのワールドモデリングと手続き計画能力を評価するためのビデオベースのベンチマークであるWorldPredictionを紹介する。
現在のフロンティアモデルでは,WorldPrediction-WMでは57%,WorldPrediction-PPでは38%の精度しか達成できないが,人間は両タスクを完璧に解くことができる。
論文 参考訳（メタデータ） (2025-06-04T18:22:40Z) - Unlocking Smarter Device Control: Foresighted Planning with a World Model-Driven Code Execution Approach [82.27842884709378]
本研究では,自然言語理解と構造化推論を優先し,エージェントの環境に対するグローバルな理解を高める枠組みを提案する。
本手法は,従来の手法,特にタスク成功率の44.4%向上を達成している。
論文 参考訳（メタデータ） (2025-05-22T09:08:47Z) - EgoPlan-Bench: Benchmarking Multimodal Large Language Models for Human-Level Planning [84.6451394629312]
実世界のシナリオにおけるMLLMの計画能力を評価するベンチマークであるEgoPlan-Benchを紹介する。
EgoPlan-Benchは、人間レベルのタスクプランニングを実現するためのMLLMの改善のかなりの範囲を浮き彫りにする。
また,EgoPlan-Bench上でのモデル性能を効果的に向上する特殊命令チューニングデータセットであるEgoPlan-ITを提案する。
論文 参考訳（メタデータ） (2023-12-11T03:35:58Z) - Embodied Task Planning with Large Language Models [86.63533340293361]
本研究では,現場制約を考慮した地上計画のための具体的タスクにおけるTAsk Planing Agent (TaPA)を提案する。
推論の際には,オープンボキャブラリオブジェクト検出器を様々な場所で収集された多視点RGB画像に拡張することにより,シーン内の物体を検出する。
実験の結果,我々のTaPAフレームワークから生成されたプランは,LLaVAやGPT-3.5よりも大きなマージンで高い成功率が得られることがわかった。
論文 参考訳（メタデータ） (2023-07-04T17:58:25Z)
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。