論文の概要: AquaJEPA: Action-Conditioned Multimodal Predictive Representations for Underwater Robot Dynamics

• arxiv url: http://arxiv.org/abs/2607.29393v1
• Date: Fri, 31 Jul 2026 13:11:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.732457
• Title: AquaJEPA: Action-Conditioned Multimodal Predictive Representations for Underwater Robot Dynamics
• Title（参考訳）: AquaJEPA:水中ロボットダイナミクスのための動作記述型マルチモーダル予測表現
• Abstract要約: AquaJEPAは、RGBカメラ、前方のソナー、およびプロプレセプションを明示的なセンサーの有効性で融合する。 8スラスターコマンドで、将来の潜伏目標を予測します。 これは、ペアの最終的なエラーにおいて、アクション条件付き予測ベースラインの3つを著しく上回る。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Underwater robots combine complementary sensors whose reliability changes abruptly with water visibility, viewpoint, and vehicle motion. We introduce AquaJEPA, an action-conditioned joint-embedding predictive model that fuses an RGB camera, forward-looking sonar, and proprioception with explicit sensor validity. It predicts a future latent target conditioned on eight-thruster commands and supplies velocity and sonar-profile predictions to a shared receding-horizon planner. We study the method in Stonefish against reactive, state-only, ordinary multimodal, supervised dynamics, and recurrent world-model baselines. We further isolate the EMA target, action margin, masks, and modality dropout. A preregistered 120-environment replication comprises five independent replicates of a grid crossing three unseen obstacle maps, four water-visibility coefficients, and nominal versus shifted dynamics, while intermittently removing DVL observations. In 120 fresh paired environments with scheduled DVL loss, AquaJEPA reaches 74 goals, versus 68 for both state-only and the recurrent world model, and attains the lowest mean final error (0.906 m). Paired final-error reductions relative to ordinary multimodal prediction, supervised dynamics, and the recurrent world model are 0.273 m (95% CI: 0.190-0.356), 0.364 m (0.260-0.468), and 0.106 m (0.025-0.187), respectively. AquaJEPA therefore achieves the best aggregate closed-loop performance and significantly outperforms three action-conditioned predictive baselines in paired final error; its advantage over state-only remains statistically unresolved.
• Abstract（参考訳）: 水中ロボットは、水面の視界、視界、車両の動きが突然変化する相補的なセンサーを組み合わせる。 AquaJEPAは,RGBカメラ,前方ソナー,およびプロプレセプションを明瞭なセンサの有効性で融合する,行動条件付き共同埋め込み予測モデルである。 8つのスラスターコマンドに条件付けされた将来の潜航目標を予測し、速度とソナーが示す予測を共有相対水平プランナーに供給する。 ストーンフィッシュの反応, 状態のみ, 通常のマルチモーダル, 教師付き力学, 繰り返し世界モデルベースラインに対する手法について検討した。 さらに, EMAターゲット, アクションマージン, マスク, モダリティドロップアウトを分離した。 事前登録された120環境複製は、3つの目に見えない障害物マップを横断するグリッドの5つの独立した複製と、4つの水可視係数、および名目とシフトダイナミクスを含む。 スケジュールされたDVL損失を持つ120のペア環境において、AquaJEPAは74ゴールに達し、州のみと再発する世界モデルの両方で68ゴールに達し、平均的な最終誤差 (0.906 m) に達する。 通常のマルチモーダル予測、教師付き力学、繰り返し世界モデルは0.273 m (95% CI: 0.190-0.356), 0.364 m (0.260-0.468), 0.106 m (0.025-0.187) である。 したがって、AquaJEPAは最良集合閉ループ性能を達成し、ペアの最終的な誤差で3つの動作条件予測ベースラインを著しく上回り、状態のみに対する優位性は統計的に未解決のままである。

関連論文リスト

• GE-Act 2.0: Pretraining and Scaling a World-Action Model for Robotic Manipulation [63.853929983870955]
  本稿では,ジェニー・エンスペクタ法 2.0 (GE-Act 2.0) について紹介する。 制御指向オートエンコーダ(CoAE)、ワンステップビジュアルプランナー(SVP)、逆ダイナミクスモデル(IDM)を組み合わせている。 それらのコンポーネントは、知識に整合した選択最適化(KASO)で共同で訓練され、記録された行動に適合していると判断された予測された未来のみを選択することで、ミスマッチした監視を減らす。
  論文  参考訳（メタデータ） (2026-09-04T17:16:48Z)
• GigaBrain-WBC-0.5: A Behavior World Model for Robust Whole-Body Control with Environment Interaction [68.67772166423812]
  ヒューマノイド全身制御のための行動世界モデル(BWM)であるGigaBrain-WBC-0.5を提案する。 純粋にリアクティブなトラッカーではなく、因果トランスフォーマーをトレーニングして、次のアクション、次の状態、次の潜伏動作コマンドに対する分布を共同で予測します。 自動地形アノテーションパイプラインは、再ターゲティングされた動きから完全な3D接触形状を復元し、既存の動きデータセットのスケールでの地形アノテートを可能にする。
  論文  参考訳（メタデータ） (2026-08-18T18:21:36Z)
• PhyLatent: Learning Dynamics-Relevant Representations for JEPA World Models [12.761667671058767]
  PhyLatentは、JEPA(JointEmbedding Predictive Architecture)の世界モデルのための動的関連トレーニングの目標である。 我々は,JEPAワールドモデルにおける3つの障害モードを同定する。 OGBench-Cubeでは、PhyLatentは3つの障害率を15.60%、6.71%、8.41%から7.53%、0.95%、および4.62%に減らし、モデル予測制御(MPC)の成功を70.0%から78.1%に改善している。
  論文  参考訳（メタデータ） (2026-08-06T08:02:15Z)
• Qantara: Bridge-Flow Training for Multi-Paradigm JEPA Control [5.357451930622806]
  共同埋め込み予測アーキテクチャは、生のピクセルから制御する潜在世界モデルの家族を支えている。 両方を提供する単一のチェックポイントは、デプロイメントの制約がどのパスが勝つかを決定するとき、この選択を推論に延期する。 本稿では,連続した清潔な潜伏者間のブラウン橋補間を共同訓練対象とするエンドツーエンドのJEPAであるQantaraを紹介する。
  論文  参考訳（メタデータ） (2026-07-06T12:12:50Z)
• 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)
• UWM-JEPA: Predictive World Models That Imagine in Belief Space [0.2864713389096699]
  本稿では,JEPAの世界モデルであるUnitary World Model JEPAを紹介した。 この構造はロールアウト中に関節状態スペクトルを正確に保存するため、予測器自体が表現された不確かさを解消することはできない。 JEPAの世界モデルでは、部分的な可観測性、潜伏幾何学、予測力学が重要であり、フリーズされたコンテキストエンコーディング能力だけではありません。
  論文  参考訳（メタデータ） (2026-05-25T00:28:51Z)
• Instance-level Visual Active Tracking with Occlusion-Aware Planning [61.982298426203165]
  Visual Active Tracking (VAT)は、カメラを3D空間でターゲットに追従することを目的としている。 VATは、視覚的に類似したイントラクタからの混乱と、閉塞下での深刻な障害という、現実世界のデプロイメントにおいて2つの重要なボトルネックに直面している。 3つの相補的なモジュールを持つ統一パイプラインであるOA-VATを提案する。
  論文  参考訳（メタデータ） (2026-04-23T09:11:50Z)
• Edge-Efficient Two-Stream Multimodal Architecture for Non-Intrusive Bathroom Fall Detection [2.669350701173451]
  濡れた浴室環境の滝は、高齢者が一人で生活する大きな安全リスクである。 近年の研究では、mWaveのみ、振動のみ、および既存のマルチモーダルスキームがプライバシー保護、非侵襲的な転倒検出をサポートすることが示されている。 本研究では,長距離移動パターンと床振動の処理を行うMotion-Mambaブランチを用いて,レーダ信号を符号化する2ストリームアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2026-03-17T18:54:21Z)
• LeWorldModel: Stable End-to-End Joint-Embedding Predictive Architecture from Pixels [49.35636088613484]
  JEPA(Joint Embedding Predictive Architectures)は、コンパクトな潜在空間で世界モデルを学習するための魅力的なフレームワークを提供する。 最初のJEPAであるLeModelWorldを紹介します。 数時間で1つのGPU上で15万のパラメータをトレーニングできるため、LeWMはファンデーションモデルベースの世界モデルよりも48倍高速に計画している。
  論文  参考訳（メタデータ） (2026-03-13T19:48:14Z)
• Adaptive Enhancement and Dual-Pooling Sequential Attention for Lightweight Underwater Object Detection with YOLOv10 [0.0]
  この原稿では、YOLOv10アーキテクチャを基盤として、水中オブジェクト検出のための合理化されながら堅牢なフレームワークを紹介している。 提案手法は,画像品質向上のためのマルチステージ適応拡張モジュールと,マルチスケール特徴表現を強化するためのデュアルプールシーケンスアテンション機構を統合した。
  論文  参考訳（メタデータ） (2026-03-04T07:39:57Z)
• When World Models Dream Wrong: Physical-Conditioned Adversarial Attacks against World Models [54.08784776767683]
  本稿では,物理条件を乱す最初のホワイトボックス世界モデルアタックであるPhysCond-WMA(PhysCond-WMA)を提案する。 PhysCond-WMAは知覚の忠実さを維持しながら意味、論理、決定レベルの歪みを引き起こす。
  論文  参考訳（メタデータ） (2026-02-21T07:22:37Z)
• BadCLIP++: Stealthy and Persistent Backdoors in Multimodal Contrastive Learning [73.46118996284888]
  マルチモーダル・コントラスト学習モデルに対するバックドア攻撃の研究は、ステルスネスと永続性という2つの大きな課題に直面している。 両課題に対処する統合フレームワークであるBadCLIP++を提案する。 ステルスネスのために,タスク関連領域付近に知覚不可能なパターンを埋め込むセマンティックフュージョンQRマイクロトリガーを導入する。 持続性については、半径縮小とセントロイドアライメントによるトリガ埋め込みを安定化する。
  論文  参考訳（メタデータ） (2026-02-19T08:31:16Z)
• Meta-Continual Mobility Forecasting for Proactive Handover Prediction [0.3906427348768226]
  短期移動予測は、セルネットワークにおけるアクティブハンドオーバ(HO)のコア要件である。 本稿では,GRUベースの予測器と高速な数ショット適応のためのReptileメタ初期化と,ドリフトの発生時にのみコンパクトなオンライン更新をトリガするEWMA残差検出を統合した軽量なメタコンチネンタル予測フレームワークを提案する。 モデルは軽量(128kパラメータ)で、5Gおよび6Gシステムのエッジ展開に適している。
  論文  参考訳（メタデータ） (2025-12-03T19:48:20Z)
• Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
  第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。 We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
  論文  参考訳（メタデータ） (2025-11-04T17:22:22Z)

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。