論文の概要: The Right Future for Action: Learning Action-Relevant Predictive States in World Action Models

• arxiv url: http://arxiv.org/abs/2609.23369v1
• Date: Sun, 20 Sep 2026 05:37:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.803475
• Title: The Right Future for Action: Learning Action-Relevant Predictive States in World Action Models
• Title（参考訳）: 行動の正しい未来:世界行動モデルにおける行動関連予測状態の学習
• Abstract要約: ジェネレーションフリーワールドアクションモデル(WAM)は、トレーニング中に将来のビデオ予測を保持するが、推論時に内部ビデオの特徴から作用する。 我々の表現診断は、より予測可能な将来変化を持つ表現は、線形動作復号を容易にする必要はないことを示している。 これらの知見は,アクション関連予測状態(ARPS, Action-Relevant Predictive States)を動機付けている。
• 参考スコア（独自算出の注目度）: 19.617236657706957
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generation-free world action models (WAMs) retain future-video prediction during training but act from internal video features at inference, leaving unclear what these features should preserve for control. Our representation diagnostics show that representations with more predictable future changes need not make linear action decoding easier. Observed future changes provide additional action information beyond the present, and linearly readable action information is spatially concentrated. These findings motivate Action-Relevant Predictive States (ARPS), a compact predictive interface between the video and action experts. ARPS uses a horizon-conditioned state predictor to aggregate intermediate video features into a compact state that supplies all visual context to the action expert. Future-representation supervision trains different parts of this state to predict visual representations at different future times, together with their changes relative to the present. At inference, the supervision branch is removed, and the action expert only uses the learned predictive state computed from current observations. Controlled ablations show that future supervision substantially improves generalization under distribution shift. ARPS achieves 99.2% success on LIBERO and transfers to LIBERO-Plus without adaptation, reaching 87.3% and exceeding Fast-WAM by 39.2 percentage points.
• Abstract（参考訳）: 世代自由世界アクションモデル(WAM)は、トレーニング中に将来のビデオ予測を保持するが、推論時に内部ビデオの特徴から行動し、これらの特徴が制御のために保持すべきものなのかは明らかでない。 我々の表現診断は、より予測可能な将来変化を持つ表現は、線形動作復号を容易にする必要はないことを示している。 観測された将来の変更は、現在以上の追加のアクション情報を提供し、リニア可読なアクション情報は空間的に集中する。 これらの知見は,アクション関連予測状態(ARPS, Action-Relevant Predictive States)を動機付けている。 ARPSは、水平条件付き状態予測器を使用して、中間映像の特徴をコンパクトな状態に集約し、アクションエキスパートにすべての視覚的コンテキストを提供する。 未来表現監督は、この状態の異なる部分を訓練し、現在に対する変化とともに、異なる未来の視覚的表現を予測する。 推論時に、監視ブランチが削除され、アクションエキスパートは、現在の観測から計算された学習予測状態のみを使用する。 制御された改善は、将来の監督が分散シフトの下での一般化を著しく改善することを示している。 ARPSはLIBEROで99.2%成功し、適応せずにLIBERO-Plusに移行し、87.3%に達し、Fast-WAMを39.2%上回る。

関連論文リスト

• World Models for Embodied Intelligence: From Plausible to Controllable to Actionable [100.13060753774657]
  世界モデルは、隠れた状態を維持し、結果を予測し、介入を比較し、実行が期待から外れたときに適応することによって、インテリジェンスにおける知覚と意思決定を結びつける。 これは、どの予測能力が振る舞いを改善するかという、中心的な疑問を提起する。 可塑性モデルは、タスク関連時間的・幾何学的・物理的構造を保存し、制御可能なモデルは、介入がどのように構造を変えるかを予測し、アクション可能なモデルは、予測を計画、行動、学習、評価、検証、回復、データ選択において測定可能な利得に変換する。
  論文  参考訳（メタデータ） (2026-09-15T06:22:42Z)
• UniMPA: A Unified Memory-Prediction-Action Model via Action-Grounded Transition Modeling [73.35395707747456]
  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。
  論文  参考訳（メタデータ） (2026-09-10T17:45:03Z)
• 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)
• FutureRTC: Real-Time Robot Execution with Anticipatory-Conditioned Action Chunking [51.97839311685636]
  FutureRTCは、実行時の観察と非同期VLA制御の状態を予測するためのプラグイン・アンド・プレイ適応フレームワークである。 FutureRTCは推論遅延に対する堅牢性を実現し,よりスムーズな軌道,高速な実行,一貫したタスク成功率を実現している。
  論文  参考訳（メタデータ） (2026-07-27T05:10:16Z)
• 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)
• Privileged Foresight Distillation: Zero-Cost Future Correction for World Action Models [1.5821415295352772]
  共同訓練は, 将来の観察が行動認知に課す行動条件付き補正を誘導することを示す。 本稿では,emphPrivileged Foresight Distillation (PFD)について紹介する。
  論文  参考訳（メタデータ） (2026-04-28T16:58:52Z)
• Inductive Attention for Video Action Anticipation [16.240254363118016]
  我々は、現在の予測を将来の行動を予測するクエリとして活用する、IAMと呼ばれるインダクティブアテンションモデルを提案する。 提案手法は,複数の大規模エゴセントリックビデオデータセット上での最先端の予測モデルより一貫して優れている。
  論文  参考訳（メタデータ） (2022-12-17T09:51:17Z)
• The Wisdom of Crowds: Temporal Progressive Attention for Early Action Prediction [104.628661890361]
  初期のアクション予測は、部分的に観察されたビデオから進行中のアクションを推測する。 本稿では,細粒度から粗粒度へのプログレッシブサンプリングにより,行動の進化を捉えたボトルネックに基づくアテンションモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-28T08:21:09Z)
• TTPP: Temporal Transformer with Progressive Prediction for Efficient Action Anticipation [46.28067541184604]
  ビデオアクション予測は、観察されたフレームから将来のアクションカテゴリを予測することを目的としている。 現在の最先端のアプローチは主に、履歴情報を隠された状態にエンコードするために、リカレントニューラルネットワークを利用する。 本稿では,プログレッシブ予測フレームワークを用いた簡易かつ効率的な時間変換器を提案する。
  論文  参考訳（メタデータ） (2020-03-07T07:59:42Z)

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。