論文の概要: FIRM-WM: State-factorized factual-interventional recurrent modeling for reward-free visual planning
- arxiv url: http://arxiv.org/abs/2609.22816v1
- Date: Sat, 19 Sep 2026 06:32:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-22 20:29:00.562007
- Title: FIRM-WM: State-factorized factual-interventional recurrent modeling for reward-free visual planning
- Title（参考訳）: FIRM-WM: 報酬のない視覚計画のための状態分解事実-インターベンショナル・リカレントモデリング
- Abstract要約: 潜在世界モデルは、オフラインビデオから学び、予測された潜在未来を通してアクションを最適化することで、新たなイメージゴールタスクを解決できる。
この設定では、計画状態に対する2つの要求がある。
FIRM-WMは,この2つのギャップを軸としたコンパクトな画素世界モデルである。
- 参考スコア（独自算出の注目度）: 13.397292182667117
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reward-free latent world models can learn from offline videos and solve new image--goal tasks by optimizing actions through predicted latent futures. This setting places two demands on the planning state: its coordinates must be comparable with a goal image. Moreover, its dynamics must retain velocity, motion trend, contact, and other history--dependent information beyond those goal coordinates. Offline training creates a second mismatch: each recorded trajectory reveals one factual future, whereas a sampling--based planner compares many actions that were not taken from the same state. We introduce FIRM-WM (Factual--Interventional Recurrent World Model), a compact pixel world model designed around these two gaps. Its recurrent state separates a typed, goal--comparable configuration from a 128-dimensional dynamic fiber used for prediction but excluded from the terminal goal cost. Broad factual trajectories provide state coverage, while common--reset intervention branches provide observed outcomes for alternative action sequences. Before executing each branch, we reset the environment and restore the same recorded values exposed by the environment's state--setting interface. Under matched CEM planning and three independent full-pipeline seeds, FIRM-WM reaches 99.0$\pm$1.0% on TwoRoom, 92.7$\pm$2.1% on Reacher, and 88.0$\pm$3.0% on OGBench-Cube, compared with 89.0%, 88.0%, and 70.0% for LeWM. The deployed model uses 2.98--3.42M parameters and records 2.13--11.60$\times$ lower planning time on these tasks.
- Abstract（参考訳）: Reward-free latent world models can learn from offline video and solve new image-goal tasks by optimizing action through predicted latent futures。このセッティングでは、計画状態に2つの要求がある:その座標はゴール画像と同等でなければならない。さらに、そのダイナミクスは速度、動き傾向、接触、その他のゴール座標以外の履歴依存情報を保持する必要がある。
オフライントレーニングは2番目のミスマッチを生成する: 記録された各軌跡が1つの現実的な未来を明らかにするのに対して、サンプリングベースのプランナーは、同じ状態から取られた多くのアクションを比較する。
FIRM-WM(Factual-Interventional Recurrent World Model)は,この2つのギャップを中心に設計されたコンパクトな画素世界モデルである。
広義のファクトファクトトラジェクトリは状態カバレッジを提供し、共通リセットの介入ブランチは、代替アクションシーケンスの観測結果を提供する。各ブランチを実行する前に、環境をリセットし、環境の状態設定インターフェースによって公開されている同じ記録された値を復元する。
一致したCEM計画と3つの独立した完全ピペリン種子の下では、FIRM-WMはTwoRoomでは99.0$\pm$1.0%、Reacherでは92.7$\pm$2.1%、OGBench-Cubeでは88.0$\pm$3.0%、LeWMでは89.0%、88.0%、70.0%に達する。
配備されたモデルは2.98--3.42Mパラメータを使用し、2.13-11.60$\times$低計画時間である。
関連論文リスト
- Learning-Guided Planning in Large Dynamic Action Spaces: Budgeted Tree Search for One-to-Many Mobile Charging [0.0]
LP-BTSは学習誘導型計画アーキテクチャである。
単一の凍結チェックポイントは、評価されたすべての設定をカバーし、736から2,813停止までのアクション宇宙をカバーしている。
結果は、大規模で動的な行動空間における学習誘導計画に関する制御された証拠を提供する。
論文 参考訳（メタデータ） (2026-09-15T16:42:12Z) - Diffusion models for eye-gaze trajectory generation using position and velocity representations [39.577682622066256]
アイトラッキングデータは収集に費用がかかり、特別なハードウェアと制御された実験室条件が必要であり、プライバシー上の制約のために共有が困難である。
本研究では2つの相補的拡散確率モデル(DDPM)を用いて、視覚探索データから視線力学を無条件に生成する。
論文 参考訳（メタデータ） (2026-09-01T07:53:11Z) - Latent World Models with Monotone Planning Costs for Image-Goal Navigation [11.421277609989302]
凍結したDINOファミリーエンコーダ上に構築された潜在世界モデルを提案し,それを2つの相補的目的で訓練する。
自動回帰的なロールアウト損失は、トレーニングとマルチステッププランニングロールアウトの間のギャップを減少させる。
モノトーンコストランキング(MCR)の損失は、より混乱したアクションシーケンスを直接的に促進し、より高い計画コストを受け取る。
論文 参考訳（メタデータ） (2026-08-10T03:23:26Z) - Temporal-Distance JEPA: Plan-Aware Representation Learning for Latent World Model Predictive Control [8.39933163242427]
JEPAsは、ピクセルを再構築するのではなく、表現空間で予測することで世界モデルを学ぶ。
以前のJEPAプランナーは、しばしば埋め込み幾何学(典型的には遅れたユークリッド距離)からランキングを継承する。
本稿では,LWMエンコーダのバックボーンを保持するテンポラルディスタンスJEPAを提案する。
論文 参考訳（メタデータ） (2026-07-28T06:38:16Z) - Qantara: Bridge-Flow Training for Multi-Paradigm JEPA Control [5.357451930622806]
共同埋め込み予測アーキテクチャは、生のピクセルから制御する潜在世界モデルの家族を支えている。
両方を提供する単一のチェックポイントは、デプロイメントの制約がどのパスが勝つかを決定するとき、この選択を推論に延期する。
本稿では,連続した清潔な潜伏者間のブラウン橋補間を共同訓練対象とするエンドツーエンドのJEPAであるQantaraを紹介する。
論文 参考訳（メタデータ） (2026-07-06T12:12:50Z) - SC3-Eval: Evaluating Robot Foundation Models via Self-Consistent Video Generation [73.2142090645987]
SC3-Evalは、事前訓練されたビデオ基盤モデルを正確なポリシー評価器に適合させる自己一貫性のあるビデオ生成レシピである。
SC3-Evalロールアウトは、実世界のロールアウトでポリシーが示す障害モードを再現し、詳細な診断比較をサポートする。
論文 参考訳（メタデータ） (2026-06-17T02:15:46Z) - Self-Improving World Modelling with Latent Actions [53.93276450137471]
世界の内部モデリングは推論と計画に不可欠である。
状態のみのシーケンスから学習する自己改善フレームワークSWIRLを提案する。
論文 参考訳（メタデータ） (2026-02-05T19:04:41Z) - Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。
We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
論文 参考訳（メタデータ） (2025-11-04T17:22:22Z) - Delta-Triplane Transformers as Occupancy World Models [57.16979927973973]
Occupancy World Models (OWMs) は、知的運動計画を支援するために、環境の3次元ボキセル化表現を通して将来のシーンを予測することを目的としている。
本稿では,自律運転のための新しい4DOWMであるDelta-Triplane Transformers (DTT)を提案する。
DTTは1.44$times$ speedup (26 FPS)を最先端に提供し、平均IoUを30.85に改善し、平均絶対計画誤差を1.0mに下げる。
論文 参考訳（メタデータ） (2025-03-10T13:50:23Z) - 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)
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。