論文の概要: Hydra: A Navigation World Action Model with Discrete Latent Planning and Continuous Flow-Matching Execution

• arxiv url: http://arxiv.org/abs/2608.28995v1
• Date: Sat, 29 Aug 2026 01:58:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.811871
• Title: Hydra: A Navigation World Action Model with Discrete Latent Planning and Continuous Flow-Matching Execution
• Title（参考訳）: Hydra: 離散遅延計画と継続的フローマッチングによるナビゲーションワールドアクションモデル
• Abstract要約: 世界モデルは、ロボットが未来を想像することを可能にするが、リアルタイム制御にこの能力を活用することは、表現のミスアライメントによってボトルネックとなる。 我々は、このギャップを埋める個別のワールドアクションモデルであるHydraを紹介します。 Hydraは、目標指向の計画において最先端の世界モデルよりも優れており、主要なリアクティブ基盤ポリシーのクローズドループ実行能力にマッチまたは超越している。
• 参考スコア（独自算出の注目度）: 51.519325778407016
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: World models let robots imagine possible futures, but exploiting this capability for real-time control is bottlenecked by a representation misalignment: the generative model and the planner operate on decoupled manifolds, so the planner has no shared structure to search over and must instead decode every candidate back into high-dimensional pixel space to evaluate it. This decoding step is a major obstacle to real-time control on physical hardware. In this paper, we present Hydra, a discrete World Action Model that closes this gap by moving the planner, both the sampler and the evaluator, inside the model. Hydra establishes a unified latent manifold over visual states, physical poses, and control actions, then compresses this manifold through modality-specific Vector-Quantized bottlenecks into discrete vocabularies of kinodynamic intents and visual states. Because candidates are now drawn directly from this shared manifold, sampling is informed by the model's own understanding of the observation rather than proposed blind, and evaluation happens natively within the discrete space: candidates are ranked by a Kinematic-Perceptual Cost, without ever decoding to pixels. We term this Discrete Latent Planning (DLP). Because planning over discrete intents alone cannot supply the smooth, continuous commands physical actuation requires, Hydra pairs DLP with conditional Flow Matching, which maps each selected intent to a continuous trajectory for execution. Evaluated on two physical robotic platforms, Hydra outperforms state-of-the-art world models in goal-directed planning, while matching or exceeding the closed-loop execution capabilities of leading reactive foundation policies.
• Abstract（参考訳）: 生成モデルとプランナーは分離された多様体で動作するため、プランナーは検索する共有構造を持たず、その代わりにすべての候補を高次元ピクセル空間に復号しなければならない。 このデコードステップは、物理ハードウェアのリアルタイム制御において大きな障害となる。 本稿では,このギャップを埋める離散世界行動モデルであるHydraについて述べる。 ハイドラは、視覚状態、物理的なポーズ、制御行動に対して統一潜在多様体を確立し、その後、モダリティ固有のベクトル量子化ボトルネックを通して、この多様体をキノダイナミックな意図と視覚状態の離散語彙に圧縮する。 候補は現在、この共有多様体から直接引き出されているため、サンプリングは、提案されたブラインドではなく、モデル自身の観察に対する理解によって通知され、評価は離散空間内でネイティブに行われる:候補者は、ピクセルに復号することなく、運動知覚コストによってランク付けされる。 これを離散潜在計画(DLP)と呼ぶ。 離散的なインテントのみを計画することは、滑らかで連続的な操作を必要とするコマンドを供給できないため、Hydraは条件付きフローマッチングとDLPをペアリングし、それぞれのインテントを実行のために連続的なトラジェクトリにマップする。 Hydraは2つの物理ロボットプラットフォームで評価され、ゴール指向計画において最先端の世界モデルよりも優れており、主要なリアクティブ基盤ポリシーのクローズドループ実行能力に適合または超越している。

関連論文リスト

• SLIM-0.5B: Learning Action-Grounded Predictive Latents for Robot Manipulation [35.54319311306262]
  SLIM はコンパクトな潜在相互作用ポリシーである。 自己教師付きマスク付き軌道予測を通じて表現を学習する。 SLIMは、より少ないパラメータで、大規模なVLAとワールドアクションモデルベースラインとを一致または超える。
  論文  参考訳（メタデータ） (2026-08-10T15:58:39Z)
• VisualPatchWorld: Code World Models as Latent Structured Representations for Planning [8.39933163242427]
  我々は,世界ダイナミクスをコードとして表現したVisualPatchWorld (VPW)を紹介した。 VPWはまず、短いアクティブプローブを持つ定性的な動的形式を選択し、その後、記録された状態-作用トレースからその形式の自由パラメータに適合する。 VPWは69.0%の平均的な計画成功率に達し、最強のコードベースラインを23.5ポイント越えている。
  論文  参考訳（メタデータ） (2026-07-28T03:23:47Z)
• KineBench: Benchmarking Embodied World Models via IDM-Free Kinematic Grounding [58.541098216700796]
  エンボディド・ワールド・モデルの 物理的整合性を評価することは 重要なオープン・チャレンジです 既存のフレームワークはほとんどがアクション抽出に逆ダイナミクスモデル(IDM)に依存している。 IDMのないEWMのためのクローズドループベンチマークであるKineBenchを紹介する。
  論文  参考訳（メタデータ） (2026-07-22T08:04:17Z)
• 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)
• Lifting Embodied World Models for Planning and Control [59.09016913513998]
  我々は、ハイレベルなアクションを低レベルなジョイントアクションのシーケンスにマッピングする軽量なポリシーを訓練する。 我々は、この枠組みを人間的な実施のためにインスタンス化し、ハイレベルなアクション空間を2次元のウェイポイントの小さなセットとして定義する。 昇降した世界モデルは,低レベルな関節空間で直接探索するよりもかなり優れていることを示す。
  論文  参考訳（メタデータ） (2026-04-28T23:59:19Z)
• Bench2Drive-R: Turning Real World Data into Reactive Closed-Loop Autonomous Driving Benchmark by Generative Model [63.336123527432136]
  我々は,リアクティブ閉ループ評価を可能にする生成フレームワークであるBench2Drive-Rを紹介する。 既存の自動運転用ビデオ生成モデルとは異なり、提案された設計はインタラクティブなシミュレーションに適したものである。 我々は、Bench2Drive-Rの生成品質を既存の生成モデルと比較し、最先端の性能を達成する。
  論文  参考訳（メタデータ） (2024-12-11T06:35:18Z)
• TRiPOD: Human Trajectory and Pose Dynamics Forecasting in the Wild [77.59069361196404]
  TRiPODは、グラフの注目ネットワークに基づいて身体のダイナミクスを予測する新しい方法です。 実世界の課題を取り入れるために,各フレームで推定された身体関節が可視・視認可能かどうかを示す指標を学習する。 評価の結果,TRiPODは,各軌道に特化して設計され,予測タスクに特化している。
  論文  参考訳（メタデータ） (2021-04-08T20:01:00Z)

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。