論文の概要: Learning to Use Imagination: Progress-Conditioned Future Utilization for World Action Models
- arxiv url: http://arxiv.org/abs/2609.06578v1
- Date: Sun, 06 Sep 2026 12:46:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-12 05:14:08.718611
- Title: Learning to Use Imagination: Progress-Conditioned Future Utilization for World Action Models
- Title（参考訳）: イマジネーションの活用を学ぶ:世界行動モデルにおける先進的な将来的活用
- Abstract要約: World Action Models (WAM) は、将来の視覚力学をアクション生成に組み込むことでビジョン・ランゲージ・アクション(VLA)モデルを拡張する。
既存のWAMは、実行の進行に限られた適応性を持つ想像上の未来をしばしば利用し、注意散らしや信頼性の低い予測方法を導入する可能性がある。
本稿では,プログレッシブ・コンディションド・ワールド・アクション・モデルであるProWAMを提案する。
- 参考スコア（独自算出の注目度）: 72.02240114225107
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: World Action Models (WAMs) extend Vision-Language-Action (VLA) models by incorporating future visual dynamics into action generation. However, existing WAMs often utilize imagined futures with limited adaptation to evolving execution progress, potentially introducing distracting or unreliable predictive cues. This limitation arises from two empirically identified forms of non-uniformity in future utility: (i) at the inter-progress level, the utility of imagined futures varies across execution stages as control demands change; and (ii) at the intra-progress level, individual future latents exhibit heterogeneous relevance within the same progress state. To address these limitations, we propose ProWAM, a Progress-Conditioned World Action Model that introduces execution progress as an explicit intermediate representation for adaptive imagination utilization. ProWAM comprises two tightly coupled components: (1) To obtain a reliable representation of execution progress, we propose the Self-Supervised Dual-Temporal Progress Encoder (SS-DTPE). SS-DTPE couples short-term action-observation interaction modeling with long-term recurrent progress aggregation to capture recent execution feedback and accumulated task history. (2) Conditioned on the progress representation from SS-DTPE, we propose the Hierarchical Progress-Conditioned Imagination Modulation (HPIM) to adapt imagination utilization to execution progress. HPIM operates at two complementary levels: an inter-progress global modulation mechanism adapts future utilization across execution stages, while an intra-progress relevance mechanism differentiates individual future latents within each progress state. Extensive experiments demonstrate consistent gains over strong VLA and WAM baselines.
- Abstract（参考訳）: World Action Models (WAM) は、将来の視覚力学をアクション生成に組み込むことでビジョン・ランゲージ・アクション(VLA)モデルを拡張する。
しかし、既存のWAMは、実行の進行に限られた適応性を持つ想像上の未来をしばしば利用し、注意散らしや信頼性の低い予測方法を導入する可能性がある。
この制限は、将来のユーティリティにおける2つの実験的に特定された非一様性から生じる。
(i)プログレッシブレベルにおいて、制御要求が変化するにつれて、想像された先物の実用性は実行段階によって異なる。
(II) 進行段階において, 個々の未来潜伏剤は同じ進行状態において不均一な関係を示す。
これらの制約に対処するため、適応的想像力利用のための明示的な中間表現として実行進行を導入するプログレッシブ・コンディションド・ワールド・アクション・モデルであるProWAMを提案する。
ProWAMは2つの密結合なコンポーネントから構成される: (1) 実行進捗の信頼できる表現を得るために, SS-DTPE (Self-Supervised Dual-Temporal Progress Encoder) を提案する。
SS-DTPEは、短時間のアクション・オブザーブレーション相互作用モデリングと、長期の継続進行集約を結合して、最近の実行フィードバックとタスク履歴の蓄積をキャプチャする。
2) SS-DTPEの進歩表現を前提とした階層的プログレッシブ・コンディション・イマジネーション・モジュレーション(HPIM)を提案する。
HPIMは2つの相補的なレベルで機能する: プログレッシブ・グローバル・モジュレーション・メカニズムは実行段階にわたって将来の利用に適応し、プログレッシブ・レバレンス・メカニズムは各プログレッシブ・ステート内で個々の将来の潜伏者を区別する。
大規模な実験は、強いVLAとWAMベースラインに対して一貫した利得を示す。
関連論文リスト
- Drive-HWM: Hierarchical World Models for Dynamic-Latent Guided Autonomous Driving [78.83165764484562]
Drive-HWMは階層的なスローファーストな世界モデリングフレームワークで、将来の表現予測とアクション生成を補完的な時間スケールで構成する。
次のフレーム予測では、高速モデルが差し迫ったシーンの進化を捉え、一方1ステップのアクション生成は、新しい観察が到着すると、決定を継続的に更新することを可能にする。
論文 参考訳（メタデータ） (2026-09-03T09:21:19Z) - WALL-SS: Scaling Long-horizon World Models via Next-Scale Autoregression [24.010807495676605]
生成的世界モデルは、相互作用の下で世界がどのように進化するかの予測モデルを提供する。
WALL-SSは,スケールワイドの自己回帰スケーリングによって視覚的未来を生成する世界モデルである。
We show that WALL-SS improves action following and trajectory accuracy, support coherent minute-long streaming rollout under bounded memory, and consistent benefit of on-policy alignment。
論文 参考訳（メタデータ） (2026-08-26T17:57:12Z) - LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling [74.94985663101906]
本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワーク LeapTSを提案する。
LeapTSは、Transformerベースのモデルよりも2.6$times$から5.3$times$推論スピードアップを実現しつつ、全体的な予測性能を少なくとも7.4%向上させる。
論文 参考訳（メタデータ） (2026-05-11T09:54:02Z) - ProgressVLA: Progress-Guided Diffusion Policy for Vision-Language Robotic Manipulation [57.07494675832939]
ロボット操作のための既存の視覚言語アクション(VLA)モデルは、進歩意識を欠いている。
本研究では,textbf vla という新しいモデルを提案し,タスク進捗の推定と統合について検討する。
CALVINとLIBEROベンチマークの実験は、実世界のロボットの展開とともに、成功率の大幅な改善を一貫して示している。
論文 参考訳（メタデータ） (2026-03-29T12:38:11Z) - FRAPPE: Infusing World Modeling into Generalist Policies via Multiple Future Representation Alignment [45.21358158991569]
VLAモデルは、世界モデリングとして知られる環境力学を予測することができる。
現在のアプローチでは,1) セマンティックラーニングと一般化を制約する画素レベルの再構成を過度に強調する訓練対象モデル,2) 推論中に予測される将来の観測への信頼が,しばしばエラーの蓄積につながる,という2つの問題に直面している。
これらの課題に対処するために、並列プログレッシブ拡張(FRAPPE)を介して、Future Representation Alignmentを導入する。
論文 参考訳（メタデータ） (2026-02-19T11:00:46Z) - FUTURE-VLA: Forecasting Unified Trajectories Under Real-time Execution [27.399648455932397]
FUTURE-VLAは、長期制御と将来の予測をモノリシックなシーケンス生成タスクとして再構成する統一アーキテクチャである。
FUTURE-VLAはLIBEROで99.2%、RoboTwinで75.4%、現実世界のPiperプラットフォームで78.0%の成功率を達成した。
論文 参考訳（メタデータ） (2026-02-05T14:27:43Z) - ProgD: Progressive Multi-scale Decoding with Dynamic Graphs for Joint Multi-agent Motion Forecasting [19.47641314660009]
周囲のエージェントの正確な動作予測は、自動運転車の安全な計画に不可欠である。
最近の進歩は、個々のエージェントから相互作用する複数のエージェントのジョイント予測まで、予測技術を拡張している。
本稿では、動的不均一グラフに基づくシナリオモデリングの助けを借りて、ProgDと呼ばれるプログレッシブなマルチスケールデコード戦略を提案する。
論文 参考訳（メタデータ） (2025-09-11T07:36:54Z) - Ego-centric Predictive Model Conditioned on Hand Trajectories [52.531681772560724]
自我中心のシナリオでは、次の行動とその視覚的結果の両方を予測することは、人間と物体の相互作用を理解するために不可欠である。
我々は,エゴセントリックなシナリオにおける行動と視覚的未来を共同でモデル化する,統合された2段階予測フレームワークを提案する。
我々のアプローチは、エゴセントリックな人間の活動理解とロボット操作の両方を扱うために設計された最初の統一モデルである。
論文 参考訳（メタデータ） (2025-08-27T13:09:55Z) - HybridVLA: Collaborative Diffusion and Autoregression in a Unified Vision-Language-Action Model [54.64088247291416]
操作ポリシー設計の基本的な目的は、ロボットに人間の指示を理解し、シーンの手がかりを推論し、動的な環境で一般化されたアクションを実行することである。
近年の自己回帰的視覚言語行動(VLA)法は、視覚言語モデル(VLM)から常識推論能力を継承し、次の行動予測を行う。
拡散に基づく行動の連続的な性質と自己回帰の文脈的推論を吸収する統合フレームワークであるHybridVLAを紹介する。
論文 参考訳（メタデータ） (2025-03-13T17:59:52Z)
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。