論文の概要: Do Robotic World Models Really Follow Actions? Diagnosing and Aligning Action-Conditioned Generation for Policy Learning
- arxiv url: http://arxiv.org/abs/2608.24885v1
- Date: Tue, 25 Aug 2026 17:59:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-26 14:09:35.127608
- Title: Do Robotic World Models Really Follow Actions? Diagnosing and Aligning Action-Conditioned Generation for Policy Learning
- Title（参考訳）: ロボット世界モデルでは行動の追跡は本当に可能か? : 政策学習のための行動規範生成の診断と調整
- Abstract要約: 本稿では,視覚的整合性と軌跡アライメントを用いて,より広い行動分布を探索するWorldEchoを紹介する。
本稿では,3つの軸に沿った行動(分布カバレッジ,表現的接地,介入効果のアライメント)を強化するWorldSyncを提案する。
RoboTwinベンチマークと実ロボットタスクの実験は、WorldSyncがWorldEchoメトリクスを改善し、反復的なポリシー改善のためのより信頼性の高いシミュレータとして機能していることを示している。
- 参考スコア（独自算出の注目度）: 53.77164209208635
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Action-conditioned world models are increasingly used as learned simulators for policy evaluation and improvement, yet their effectiveness rests on an unverified assumption: generated futures faithfully reflect arbitrary valid actions. Existing benchmarks are typically confined to expert demonstrations, leaving off-expert action following inadequately evaluated. To address this gap, we introduce WorldEcho, which probes action following over a broader action distribution using visual integrity and SE(3) trajectory alignment. Our diagnosis shows that current world models reasonably execute expert actions but struggle with diverse off-expert trajectories, either ignoring the commanded actions or producing visually invalid rollouts. We further propose WorldSync, which strengthens action following along three complementary axes: distributional coverage, representational grounding, and intervention-effect alignment. It broadens the training distribution over action consequences, grounds intermediate video representations in action-induced robot dynamics through an Action-Forcing Expert, and aligns predicted changes under action interventions with the corresponding changes in ground-truth futures. Experiments on RoboTwin benchmarks and real-robot tasks show that WorldSync improves WorldEcho metrics and serves as a more reliable simulator for iterative policy improvement, enabling policies to achieve higher success rates.
- Abstract（参考訳）: 行動条件付き世界モデルは、政策評価と改善のための学習シミュレータとしてますます使われているが、その有効性は証明されていない仮定にかかっている。
既存のベンチマークは通常、専門家によるデモンストレーションに限られており、不十分に評価された後、未熟練のアクションを残している。
このギャップに対処するために,視覚的整合性とSE(3)軌道アライメントを用いて,より広い行動分布を探索するWorldEchoを導入する。
我々の診断は、現在の世界モデルは、専門家の行動を合理的に実行するが、指示された行動を無視したり、視覚的に無効なロールアウトを発生させる、様々な専門家の軌道に苦慮していることを示している。
さらに,3つの相補的軸(分布被覆,表現接地,介入効果アライメント)に沿った行動を強化するWorldSyncを提案する。
アクション・フォース・エキスパート(Action-Forcing Expert)を通して、アクション・エフェクトに対するトレーニング分布を拡大し、アクション駆動型ロボット力学における中間映像表現を基盤とし、アクション介入による予測された変化を、接地的未来における対応する変化と整合させる。
RoboTwinベンチマークと実ロボットタスクの実験によると、WorldSyncはWorldEchoメトリクスを改善し、反復的なポリシー改善のためのより信頼性の高いシミュレータとして機能し、ポリシーがより高い成功率を達成することができる。
関連論文リスト
- WISE: World-model-guided Imagination Scheduling for Efficient Post-training of Vision-Language-Action Models [7.861070986808876]
訓練後のVLAポリシーは一般的に、高価で不安定な現実世界の探査で監督された微調整に依存している。
WISE (World-model-guided Imagination Scheduling for Efficient Post-Training of Vision-Language-Action Models) は、政策改善において、いつ、どのように世界モデルイマジネーションが使用されるかを調整する統合フレームワークである。
論文 参考訳（メタデータ） (2026-09-03T11:17:57Z) - On the Capability Separation Between World-Model Policy Learning and Imitated World-Action Models [3.79187263097166]
我々は,行動閉鎖政策,模倣訓練された世界行動政策,行動条件付き世界モデルに最適化された政策を比較した。
将来の予測は、学習因子化を変えるが、制約のない外部ポリシークラスや理想的な模倣ターゲットは変えない。
論文 参考訳（メタデータ） (2026-08-23T03:25:31Z) - Making Foresight Actionable: Repurposing Representation Alignment in World Action Models [57.23863557252883]
World Action Models (WAMs)は、ビデオ生成モデルを使用して将来のシーンの進化をモデル化することで、ロボット操作のための有望なルートを提供する。
目に見える未来を生み出すことは 必ずしも正確な行動の抽出を 保証するとは限らない
本稿では,Action-Grounded Representation Alignmentの目的であるAGRAを提案する。
論文 参考訳（メタデータ） (2026-06-10T15:31:25Z) - Feedback World Model Enables Precise Guidance of Diffusion Policy [36.965417653906535]
本稿では,推定時刻における予測と観測のループを閉じる新たなパラダイムであるフィードバック・ワールド・モデルを提案する。
本手法は,分布シフト時の予測精度とポリシー性能を大幅に向上することを示す。
特に、世界モデルの予測誤差を最大76.4%削減し、アウト・オブ・ディストリビューション(OOD)の成功率を30%改善する。
論文 参考訳（メタデータ） (2026-05-15T07:52:13Z) - 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) - HarmoWAM: Harmonizing Generalizable and Precise Manipulation via Adaptive World Action Models [58.191567345416836]
世界行動モデル(WAM)は、物理力学のモデリングによるロボット制御のための有望なパラダイムとして登場した。
HarmoWAMは、予測と反応の制御を統一するために世界モデルを完全に活用し、一般的なトランジットと正確な操作を可能にする。
実世界の6つのロボットタスクにまたがる3つのトレーニング未確認テスト環境を構築し、背景、位置、オブジェクトの意味のバリエーションをカバーした。
論文 参考訳（メタデータ） (2026-05-11T17:59:56Z) - World Action Verifier: Self-Improving World Models via Forward-Inverse Asymmetry [82.93104394404781]
汎用世界モデルは、スケーラブルなポリシー評価、最適化、計画を約束します。
本稿では,世界モデルによる予測誤りと自己改善を識別するフレームワークであるWorld Action Verifier(WAV)を提案する。
論文 参考訳（メタデータ） (2026-04-02T12:48:36Z) - Reshaping Action Error Distributions for Reliable Vision-Language-Action Models [69.38615670891038]
ロボット操作において、視覚言語アクション(VLA)モデルは、一般化可能でスケーラブルなロボットポリシーを学ぶための有望なパラダイムとして登場した。
連続動作型VLAモデルに焦点をあて、トレーニング中の動作誤差分布を再構成することにより、従来のMSEベースの回帰を超越する。
複数の代表的VLAアーキテクチャ上で、標準、少数ショット、ノイズの多い設定にまたがるアプローチを評価します。
論文 参考訳（メタデータ） (2026-02-04T05:37:09Z)
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。