論文の概要: World-Action Models for Robot Learning and Control: A Survey
- arxiv url: http://arxiv.org/abs/2609.16074v1
- Date: Sun, 13 Sep 2026 16:35:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 14:56:08.124969
- Title: World-Action Models for Robot Learning and Control: A Survey
- Title（参考訳）: ロボット学習と制御のための世界行動モデル:調査
- Abstract要約: 世界モデル、ビデオ生成、ビジョン・ランゲージ・アクション(VLA)政策の最近の進歩は、ワールド・アクション・モデル(WAM)の発展を動機づけている。
この調査は、WAMのロボティクス指向のレビューを提供する。
我々は、従来の世界モデル、モデルに基づく強化学習、アクション条件付きビデオ生成、リアクティブVLAポリシーに対するそれらのスコープを明確にし、統一された分類法によって既存の手法を整理する。
我々は,行動アライメント,世界行動の分解,空間的・多視点整合性,長期記憶,閉ループ政策学習のためのニューラルシミュレーション,効率的な推論における重要な課題について議論する。
- 参考スコア（独自算出の注目度）: 41.45329550202786
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Robots operating in open environments act under partial observability, physical constraints, and dynamic task contexts. Beyond mapping observations and language instructions to actions, they must anticipate how candidate actions may affect future states and task-relevant outcomes. Recent advances in world models, video generation, and Vision-Language-Action (VLA) policies have motivated the development of World-Action Models (WAMs), which couple future world prediction with executable action generation. This survey provides a robotics-oriented review of WAMs. We clarify their scope relative to conventional world models, model-based reinforcement learning, action-conditioned video generation, and reactive VLA policies, and organize existing methods through a unified taxonomy covering representations, transition modeling, action interfaces, architectures, training pipelines, data modalities, and scaling strategies. We further review applications of WAMs in manipulation, navigation, and autonomous driving, and we summarize the datasets, benchmarks, metrics, and protocols used to evaluate WAM systems. Finally, we discuss key challenges in action alignment, world-action factorization, spatial and multi-view consistency, long-horizon memory, neural simulation for closed-loop policy learning, and efficient inference. Taken together, this survey aims to provide a concise technical foundation for integrating predictive world modeling with action generation, toward more reliable embodied robot intelligence. Project page: https://rcl-robotics.github.io/Awesome-World-Action-Models.
- Abstract（参考訳）: オープン環境で動作しているロボットは、部分的な可観測性、物理的制約、動的タスクコンテキストの下で機能する。
観察や言語指示を行動にマッピングするだけでなく、将来の状態やタスク関連の結果にどのように影響するかを予測する必要がある。
近年、世界モデル、ビデオ生成、ビジョン・ランゲージ・アクション(VLA)政策の進歩は、未来の世界予測と実行可能なアクション生成とを結びつけるワールド・アクション・モデル(WAM)の開発を動機付けている。
この調査は、WAMのロボティクス指向のレビューを提供する。
我々は、従来の世界モデル、モデルに基づく強化学習、アクション条件付きビデオ生成、リアクティブVLAポリシーに対するそれらのスコープを明確にし、表現、トランジションモデリング、アクションインターフェース、アーキテクチャ、トレーニングパイプライン、データモダリティ、スケーリング戦略を網羅する統一分類法を通じて既存の手法を整理する。
我々はさらに、操作、ナビゲーション、自律運転におけるWAMの応用をレビューし、WAMシステムを評価するのに使用されるデータセット、ベンチマーク、メトリクス、プロトコルを要約する。
最後に,アクションアライメント,ワールドアクションの分解,空間的・マルチビューの整合性,長期記憶,クローズドループポリシ学習のためのニューラルネットワーク,効率的な推論といった課題について論じる。
この調査は、より信頼性の高いロボットインテリジェンスに向けて、予測的世界モデリングとアクション生成を統合するための簡潔な技術基盤を提供することを目的としている。
プロジェクトページ: https://rcl-robotics.github.io/Awesome-World-Action-Models。
関連論文リスト
- Predicting Consequences and Reinforcing Navigation Policies with Latent World Models [31.865100130203317]
ロボットナビゲーションのためのLWM(Latent World Model)を提案する。
我々の重要な洞察は、空間的近接は潜在的特徴の類似性と相関し、潜在的空間において行動結果を直接評価できるということである。
提案手法は,予測精度,ポリシー学習,実世界のナビゲーション性能において,前世界モデルと模倣学習法を著しく上回っている。
論文 参考訳（メタデータ） (2026-08-23T11:58:42Z) - From World Action Models to Embodied Brains: A Roadmap for Open-World Physical Intelligence [54.62791372989525]
アクションモデル、ビジョン言語-アクションポリシー、世界モデルは、この目標を前進させた。
世界行動モデル(WAM)は、候補者の介入と予測された結果とを結びつけるため、特に有望である。
我々は、WAMへの進化をレビューし、これらの制限をモデルの役割と表現、目的と標準化、システム構成という3つの組み合わせのギャップにまとめる。
論文 参考訳（メタデータ） (2026-07-13T15:22:56Z) - World Models for Robotic Manipulation: A Survey [30.864774708923147]
ロボット操作のための世界モデルについて3つの質問を通して調査する。
我々は,世界モデルを行動条件付き予測システムとして運用的に定義する。
合成経験生成、候補フィルタリング、検索に基づく評価、学習環境、結果検証などのインフラの役割を特徴付ける。
論文 参考訳（メタデータ） (2026-05-27T05:32:17Z) - From Human Videos to Robot Manipulation: A Survey on Scalable Vision-Language-Action Learning with Human-Centric Data [71.22409934108924]
人間のビデオは豊富で、豊富な相互作用を捉え、現実世界の操作に多様な意味と物理的な手がかりを提供する。
この調査は、人間のビデオがビジョン・ランゲージ・アクション(VLA)モデルの効果的な知識にどのように変換されるか、統一された視点を提供する。
この領域では、非構造化動画をトレーニング可能なエピソードに構造化すること、エンボディメントと視点の不均一性の下でロボットが実行可能なアクションにビデオから制御すること、現実世界の展開性能と転送効率をよりよく予測する評価プロトコルを設計すること、の3つのオープンな課題を強調している。
論文 参考訳（メタデータ） (2026-05-18T06:19:16Z) - 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) - World Model for Robot Learning: A Comprehensive Survey [168.5691568303064]
この調査は、ロボット学習の世界モデルに関する急速に成長している文献を体系的にレビューする。
本研究では,世界モデルがロボット政策とどのように結合されているか,強化学習と評価のための学習シミュレータとしてどのように機能するか,ロボットビデオワールドモデルが想像力に基づく生成から,制御可能で構造化された,基礎的規模の定式化までどのように進展してきたかを検討する。
本調査は,ロボット学習の世界モデルに関する文献を体系的にレビューし,主要なパラダイムと応用を明らかにするとともに,具体的エージェントにおける予測モデリングの大きな課題と今後の方向性を明らかにする。
論文 参考訳（メタデータ） (2026-04-30T14:35:31Z) - World-VLA-Loop: Closed-Loop Learning of Video World Model and VLA Policy [55.03832008486675]
World-VLA-Loopは、世界モデルとVision-Language-Action (VLA) ポリシーの共同改良のためのクローズドループフレームワークである。
本研究では,将来観測と報奨信号の同時予測により,高忠実度インタラクティブシミュレータとして機能する状態認識型ビデオワールドモデルを提案する。
論文 参考訳（メタデータ） (2026-02-06T08:57:55Z) - Vision-Language-Action Models for Robotics: A Review Towards Real-World Applications [36.083681915495205]
VLA(Vision-Language-Action)モデルは、さまざまなタスク、オブジェクト、エボディメント、環境にまたがる一般的なポリシーを学ぶことを目的としている。
この作業は、VLAシステムのソフトウェアコンポーネントとハードウェアコンポーネントを統合する、包括的なフルスタックレビューを提供する。
論文 参考訳（メタデータ） (2025-10-08T14:38:25Z) - Survey of Vision-Language-Action Models for Embodied Manipulation [12.586030711502858]
エンボディード・インテリジェンス・システムは、継続的な環境相互作用を通じてエージェント能力を増強する。
ビジョン・ランゲージ・アクションモデル(Vision-Language-Action model)は、大きな基礎モデルの進歩に触発された、普遍的なロボット制御フレームワークとして機能する。
本調査では,VLAモデルを包括的に検討した。
論文 参考訳（メタデータ） (2025-08-21T03:30:04Z) - WorldGym: World Model as An Environment for Policy Evaluation [41.204900701616914]
WorldGymは、実環境のプロキシとして機能する自動回帰、アクション条件付きビデオ生成モデルである。
ポリシーはモンテカルロの世界モデルによるロールアウトを通じて評価され、視覚言語モデルが報酬を提供する。
We show that WorldGym can maintain relative policy rankings across different policy version, sizes, and training checkpoints。
論文 参考訳（メタデータ） (2025-05-31T15:51:56Z)
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。