論文の概要: UniMPA: A Unified Memory-Prediction-Action Model via Action-Grounded Transition Modeling

• arxiv url: http://arxiv.org/abs/2609.11875v1
• Date: Thu, 10 Sep 2026 17:45:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.473085
• Title: UniMPA: A Unified Memory-Prediction-Action Model via Action-Grounded Transition Modeling
• Title（参考訳）: UniMPA:アクション・グラウンド・トランジション・モデリングによる統一メモリ・プレディション・アクション・モデル
• Abstract要約: ビジョン・ランゲージ・アクションモデルの最近の進歩はロボット操作を改善しているが、基本的な遷移実現可能性のギャップによって観察・行動学習は制限されている。 将来の観測は、物理的に実現可能な遷移と必ずしも一致しない。 歴史的に実行可能なアクションパターンは、現在のシーンにおける意図した遷移を必ずしも認識しない可能性があるため、コンテキスト対応の適応が必要である。
• 参考スコア（独自算出の注目度）: 73.35395707747456
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in Vision-Language-Action (VLA) models have improved robotic manipulation, yet observation-to-action learning remains limited by a fundamental transition realizability gap, manifested in three tightly coupled problems: (i) Transition ambiguity. Visually similar current observations may correspond to different manipulation phases and imply different subsequent transitions. (ii) Prediction--execution mismatch. A visually plausible predicted future observation does not necessarily correspond to a physically realizable transition. (iii) Experience--realization mismatch. A historically executable action pattern may not necessarily realize the intended transition in the current scene and therefore requires context-aware adaptation. Accordingly, we propose UniMPA, a Unified Memory-Prediction-Action model that addresses these problems through a shared action-grounded transition interface. (i) UniMPA introduces Persistent-Selective Future Prediction to resolve transition ambiguity by modeling the intended future state evolution. A persistent latent stream continuously tracks task-level progress, while a transition-critical pixel stream selectively resolves fine-grained interaction changes through memory-grounded prediction. (ii) To assess the physical executability of the anticipated transition, the predicted transition queries a temporal Visual-Action Memory Bank. The bank retrieves historically realized visual-action experience, grounding future prediction in executable evidence. (iii) To adapt executable experience to the current scene, an Action-Visual Memory Bank retrieves visually grounded action prototypes from historical action evolution. Prototype-Biased Flow then shifts the flow source toward a historically supported action manifold for context-aware refinement.
• Abstract（参考訳）: VLA(Vision-Language-Action)モデルの最近の進歩はロボット操作を改善しているが、観察と行動の学習は3つの密結合した問題に現れる基本的な遷移実現可能性ギャップによって制限されている。 (i)遷移あいまいさ。 視覚的に類似した現在の観測は異なる操作フェーズに対応し、その後の遷移を暗示する。 (ii)予測-実行ミスマッチ。 将来の観測は、物理的に実現可能な遷移と必ずしも一致しない。 (三)体験-実現ミスマッチ。 歴史的に実行可能なアクションパターンは、現在のシーンにおける意図した遷移を必ずしも認識しない可能性があるため、コンテキスト対応の適応が必要である。 そこで本研究では,UniMPA(Uniified Memory-Prediction-Action Model)を提案する。 (i)UniMPAは、意図した将来の状態の進化をモデル化することによって、遷移のあいまいさを解決するために永続選択的未来予測を導入する。 永続的な潜時ストリームはタスクレベルの進行を継続的に追跡し、トランジションクリティカルな画素ストリームはメモリ接地予測によってきめ細かな相互作用変化を選択的に解決する。 2) 予測される遷移の物理的実行可能性を評価するため、予測された遷移は、時間的視覚行動記憶銀行に問い合わせる。 銀行は歴史的に実現された視覚行動経験を回収し、将来の予測を実行可能な証拠として裏付ける。 3 アクション・ビジュアル・メモリ・バンクは、現在のシーンに実行可能な体験を適応させるため、歴史的行動進化から視覚的に基盤付けられたアクションプロトタイプを回収する。 Prototype-Biased Flowは、フローソースを歴史的にサポートされたアクション多様体にシフトして、コンテキスト認識の洗練を行う。

関連論文リスト

• Foresight Without Seeing: Latent Futures for World Action Models [31.423405133926334]
  本稿では,動的条件付き直接政治WAMであるForeWAMを提案する。 また、凍結した潜伏行動教師が指導するダイナミクスを導入し、物体の動きや接触変化、タスクの進行といった相互作用によって引き起こされる遷移を、暗黙の未来の状態が捉えることを奨励する。 ロボットデータの事前トレーニングがなければ、ForeWAMの標準版と加速版は平均96.7%、LIBEROは96.9%である。
  論文  参考訳（メタデータ） (2026-08-12T03:27:43Z)
• 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)
• 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)
• 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)
• LatentPilot: Scene-Aware Vision-and-Language Navigation by Dreaming Ahead with Latent Visual Reasoning [51.969318585152116]
  LatentPilotは、トレーニング中の将来の観察を貴重なデータソースとして利用して、アクション条件付きビジュアルダイナミクスを学習する。 そこで本稿では,フライホイール方式のトレーニング機構を提案する。これは,道路上の軌道を反復的に収集し,エージェントの行動分布に適合するようにモデルを再訓練する。 R2R-CE、RxR-CE、R2R-PEベンチマークの実験では新たなSOTA結果が得られた。
  論文  参考訳（メタデータ） (2026-03-31T02:21:59Z)
• \textsc{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)
• 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)
• Orientation-Aware Leg Movement Learning for Action-Driven Human Motion Prediction [7.150292351809277]
  行動駆動型人間の動き予測は、観察されたシーケンスに基づいて将来の人間の動きを予測することを目的としている。 複数のアクションラベル間のスムーズで現実的な遷移をモデル化する必要がある。 1つのデータセット上でトレーニングした中間学習モデルを、2つの目に見えない大規模な動きデータセットに一般化し、自然な遷移を生成する。
  論文  参考訳（メタデータ） (2023-10-23T13:16:51Z)
• Weakly-supervised Action Transition Learning for Stochastic Human Motion Prediction [81.94175022575966]
  動作駆動型人間の動作予測の課題について紹介する。 一連の動作ラベルと短い動作履歴から、複数の可算な将来の動作を予測することを目的としている。
  論文  参考訳（メタデータ） (2022-05-31T08:38:07Z)

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。