論文の概要: Decoupling Intention from Trajectory: A Representational Deduction Framework for World Action Models
- arxiv url: http://arxiv.org/abs/2608.06994v1
- Date: Fri, 07 Aug 2026 09:12:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-10 16:21:25.441111
- Title: Decoupling Intention from Trajectory: A Representational Deduction Framework for World Action Models
- Title（参考訳）: 軌道からの意図の疎結合:世界行動モデルのための表現的推論フレームワーク
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 22.16380408116294
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: World Action Models (WAMs) aim to construct a unified architecture capable of understanding world state evolution and guiding to generative motion planning. However, existing visual branches focus on predicting static visual observation, rather than reflecting potential transition information that captures the evolution of world states under motion interactions. This leads to representational entanglement between high-level physical condition evolution and low-level action trajectory generation within the Action Model, creating a structural bottleneck while weakening the predictive capability of world evolution modeling for action generation. We propose PILOT (Physical Inference for Latent Optimized Trajectories), whose core Representational Deduction (RD) bridges this gap by integrating motion thought-of-chain (CoT) guidance as a native model capability. Specifically, RD aims to encourage the action branch to explicitly model potential state transition tokens, which are retained as CoT in the reasoning space to guide fine-grained motion trajectory. Experiments demonstrate that RD not only significantly improves the success rate and generalization ability of WAMs in complex robotic manipulation tasks but also enhances the model's physical interpretability by decoupling high-level motion semantics from low-level trajectory details. Furthermore, the abundant state transition supervision signals introduced by RD effectively alleviate the sparse supervision in action generation, enabling it to serve as an efficient few-shot real-robot fine-tuning strategy and demonstrating superior scalability for migration to mainstream WAM architectures.
- Abstract（参考訳）: 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。
しかし、既存の視覚枝は、動きの相互作用の下で世界状態の進化を捉えた潜在的な遷移情報を反映するのではなく、静的な視覚観察を予測することに重点を置いている。
これにより、高レベルの物理状態の進化と、アクションモデル内の低レベルの行動軌跡生成との表現的絡み合いが生じ、構造的ボトルネックが生じると同時に、アクション生成のための世界進化モデリングの予測能力が弱まる。
そこで我々は,PILOT(Physical Inference for Latent Optimized Trajectories)を提案し,このギャップをネイティブモデル機能として動作思考(CoT)ガイダンスを統合することで表現的推論(RD)が橋渡しする。
具体的には、RDはアクションブランチが、微粒な運動軌跡を導くための推論空間においてCoTとして保持される潜在的な状態遷移トークンを明示的にモデル化することを奨励することを目的としている。
実験により、RDは複雑なロボット操作タスクにおけるWAMの成功率と一般化能力を大幅に向上するだけでなく、低レベルの軌道詳細から高レベルの運動意味論を分離することにより、モデルの物理的解釈可能性を高めることが示されている。
さらに、RDによって導入された豊富な状態遷移監視信号は、アクション生成におけるスパース監視を効果的に軽減し、効率的な数発のリアルタイムロボット微調整戦略として機能し、メインストリームのWAMアーキテクチャへの移行に優れたスケーラビリティを実現する。
関連論文リスト
- DGCPath: Distribution-Aware Generative Contrastive Framework for Self-supervised Path Representation Learning -- Extended Version [21.572106211249324]
DGCPathは、Path表現のための分散対応ジェネレーティブコントラスト学習フレームワークである。
DGCPathは2つの異なる下流タスクにおいて最先端のベースラインよりも優れていることを示す。
論文 参考訳（メタデータ） (2026-09-07T10:34:04Z) - Towards Generalizable Visually Grounded Exploration of Household Devices [74.66117923766632]
汎用的な自律的実施エージェントを実現する上でのボトルネックは、Generalizable Visually Grounded Explorationにある。
VGEBenchは、視覚言語モデルの一般化可能な視野探索能力を評価するために設計されたベンチマークである。
静的なデータセットとは異なり、我々はLogic-Driven State Machineフレームワークを構築している。このフレームワークは多ターンインタラクションループをシミュレートし、アクティブな視覚知覚とフィードバック駆動の修正によって目標を達成するエージェントを説得する。
論文 参考訳（メタデータ） (2026-09-01T07:42:45Z) - Towards Predictive, Aligned, and Scalable Robot Learning [11.830982964522605]
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。
論文 参考訳（メタデータ） (2026-07-13T08:53:34Z) - Local Motion Matters: A Deconstruct-Recompose Paradigm for Reinforcement Learning Pre-training from Videos [30.202149567220356]
既存の方法は通常、エージェントを不可分な実体として扱い、世界中の動きパターンをモデル化する。
本稿では,移動可能な局所運動表現を学習するためのデコンストラクト・コンストラクト・パラダイムを提案する。
本手法は, 多様なロボット制御・操作タスクに効果的に移行し, 試料効率と性能を大幅に向上させる。
論文 参考訳（メタデータ） (2026-07-01T11:36:27Z) - 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) - 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) - 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) - Large Vision-Language Models Get Lost in Attention [51.851592109135716]
本稿では,情報理論と幾何に基づく統合フレームワークを提案し,残差更新の幾何的およびエントロピー的性質を定量化する。
注意は再設定に焦点を当てたサブスペース言語演算子として機能し、FFNはセマンティックイノベーションを駆動するサブスペース言語演算子として機能します。
論文 参考訳（メタデータ） (2026-05-07T04:45:52Z) - World-Value-Action Model: Implicit Planning for Vision-Language-Action Systems [32.4918638412746]
VLA(Vision-Language-Action)モデルは、知覚と言語を作用させるエンボディエージェントを構築するための有望なパラダイムとして登場した。
本稿では,VLAシステムにおける暗黙的な計画を可能にする統合フレームワークであるWorld-Value-Action(WAV)モデルを紹介する。
論文 参考訳（メタデータ） (2026-04-16T07:46:05Z) - Self-Correcting VLA: Online Action Refinement via Sparse World Imagination [55.982504915794514]
本稿では, 自己補正VLA (SC-VLA) を提案する。
SC-VLAは最先端のパフォーマンスを達成し、最高タスクスループットを16%削減し、最高パフォーマンスのベースラインよりも9%高い成功率を得る。
論文 参考訳（メタデータ） (2026-02-25T06:58:06Z) - \ 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) - PosA-VLA: Enhancing Action Generation via Pose-Conditioned Anchor Attention [92.85371254435074]
PosA-VLAフレームワークは、ポーズ条件付き監視を通じて視覚的注意を保ち、タスク関連領域に対するモデルの認識を一貫して導く。
本手法は,多様なロボット操作ベンチマークにおいて,正確かつ時間効率のよい動作を実施できることを示す。
論文 参考訳（メタデータ） (2025-12-03T12:14:29Z)
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。