論文の概要: Skytopia: Monocular Drone Navigation with Action-Conditioned Latent World Models
- arxiv url: http://arxiv.org/abs/2609.26007v1
- Date: Tue, 22 Sep 2026 11:08:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-23 18:04:04.339257
- Title: Skytopia: Monocular Drone Navigation with Action-Conditioned Latent World Models
- Title（参考訳）: スカイトピア:アクション・コンディション付きラテント・ワールドモデルによる単眼ドローンナビゲーション
- Abstract要約: 単眼のドローンナビゲーションでは、1台の前方カメラから見えない環境でゴールに到達する必要がある。
世界モデルは、アクション下での観察の進化をモデル化することでこの問題に対処するが、それらは実行するために構築される。
我々は、政策が世界モデルから必要とするものは、予測ではなく、それを生成するために必要な表現であると主張する。
- 参考スコア（独自算出の注目度）: 8.470813955532197
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Monocular drone navigation requires reaching a goal in an unseen environment from a single forward-facing camera, which offers few cues for depth and scale. World models address this by modelling how observations evolve under actions, but they are built to be executed: the prediction is produced at deployment and fed back into action generation at every control step. We argue that what a policy needs from a world model is not the prediction but the representation required to produce it: in flight the executed action explains almost all of the change between observations, so prediction reduces to reprojecting a static scene under a known displacement. We therefore introduce skytopia, a policy built on an action-conditioned latent world model, and the 3D Gaussian Splatting platform on which it is trained. A forward objective predicts the representation of the next observation from the intended motion, and an inverse objective recovers that motion from the predicted transition. Because the prediction never reaches action generation, the predictor is discarded and one policy serves point-goal, image-goal, and goal-free navigation. Simulation experiments show that skytopia outperforms every baseline under all three specifications, attaining 57.8%, 66.0%, and 49.0% success rate, while discarding the predictor removes 59.4% of the inference cost. The same policy is subsequently deployed on a physical drone without fine-tuning and reaches goals in indoor, open outdoor, and woodland environments.
- Abstract（参考訳）: 単眼のドローンナビゲーションは、1台の前方カメラから見えない環境でゴールに達する必要がある。
世界モデルは、アクション下での観察の進化をモデル化することでこの問題に対処するが、それらは実行するために構築される。
我々は,政策が世界モデルから必要とするものは予測ではなく,それを生成するために必要な表現であると主張する。飛行中は,実行された行動が観測間のほとんどすべての変化を説明するので,予測は既知の変位の下で静的なシーンの再計画に還元される。
そこで我々は,行動条件付き潜在世界モデル上に構築されたSkytopiaと,それが訓練される3Dガウススプラッティングプラットフォームを紹介する。
前向きの目的は、意図された動きから次の観測の表現を予測し、逆向きの目的は予測された遷移からその動きを回復する。
予測はアクション生成に到達しないため、予測器は破棄され、1つのポリシーはポイントゴール、イメージゴール、ゴールフリーナビゲーションを提供する。
シミュレーション実験により、スカイトピアは3つの仕様すべてで全てのベースラインを上回り、57.8%、66.0%、49.0%の成功率を達成した。
同様の方針はその後、微調整なしで物理的ドローンに展開され、屋内、屋外、森林環境で目標に達する。
関連論文リスト
- Feeling Terrain Before Crossing: World Models for Off-Road Navigation [11.910808941933702]
プロプレセプションを前提とした初のオフロードナビゲーションワールドモデルであるFeel-WMを提案する。
Proprioceptionはこれらのダイナミクスを直接キャプチャし、入力として使用すると物理的な未来を予測する。
プランナーは、シーンと一緒に物理的な未来をロールアウトし、分離可能なスコアでゴール類似性に対する予測された失敗リスクを重み付けます。
論文 参考訳（メタデータ） (2026-09-17T08:19:06Z) - Uncertainty-Aware World Model for Aerial Image-Goal Navigation [49.01078106635952]
不確実性認識ナビゲーションワールドモデル(英: Uncertainty-Aware Navigation World Model、UA-NWM)は、空中画像ゴールナビゲーションのための効率的な潜在世界モデルである。
予測-ゴールの相違を不確実で説明不能なコンポーネントに分解する。
推論レイテンシを低く保ちながら、既存のナビゲーションワールドモデルより一貫して優れています。
論文 参考訳（メタデータ） (2026-08-06T04:43:53Z) - NavWAM: A Navigation World Action Model for Goal-Conditioned Visual Navigation [41.592946383221566]
ナビゲーションワールドモデルはこのような視覚的な展望を提供するが、予測された未来をクローズドループ制御に変換するために外部プランナーを必要とする予測モジュールは残る。
ナビゲーションワールドモデル予測を実行可能なアクションに変換する拡散変換器ポリシーであるナビゲーションワールドアクションモデル(NavWAM)を提案する。
我々は,シミュレーション事前学習と実ロボット適応によりNavWAMを構築し,計画に基づく世界モデルに対するイメージゴールナビゲーションと代表的ダイレクトナビゲーションポリシーについて評価する。
論文 参考訳（メタデータ） (2026-06-11T15:44:36Z) - Feedback World Model Enables Precise Guidance of Diffusion Policy [36.965417653906535]
本稿では,推定時刻における予測と観測のループを閉じる新たなパラダイムであるフィードバック・ワールド・モデルを提案する。
本手法は,分布シフト時の予測精度とポリシー性能を大幅に向上することを示す。
特に、世界モデルの予測誤差を最大76.4%削減し、アウト・オブ・ディストリビューション(OOD)の成功率を30%改善する。
論文 参考訳（メタデータ） (2026-05-15T07:52:13Z) - 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) - Walk through Paintings: Egocentric World Models from Internet Priors [65.30611174953958]
本稿では,エゴセントリック・ワールド・モデル(EgoWM)について述べる。
我々は、スクラッチからトレーニングするよりも、インターネット規模のビデオモデルのリッチワールドを再利用し、軽量なコンディショニング層を通じてモーターコマンドを注入する。
当社のアプローチは,3-DoF移動ロボットから25-DoFヒューマノイドまで,エボディメントやアクションスペースを自然に拡張する。
論文 参考訳（メタデータ） (2026-01-21T18:59:32Z) - AstraNav-World: World Model for Foresight Control and Consistency [40.07910402326578]
ダイナミックな環境での身体的ナビゲーションは、世界がどのように進化し、どのように行動が時間とともに広がるかを正確に予測する必要がある。
AstraNav-Worldは、未来の視覚状態とアクションシーケンスを共同で推論するエンド・ツー・エンドの世界モデルである。
本フレームワークは,拡散型ビデオジェネレータとビジョン言語ポリシーを統合し,同期ロールアウトを実現する。
論文 参考訳（メタデータ） (2025-12-25T15:31:24Z) - What Happens Next? Anticipating Future Motion by Generating Point Trajectories [76.16266402727643]
一つの画像から動きを予測し、世界の物体がどのように動くかを予測する問題を考察する。
我々はこのタスクを,現代のビデオジェネレータのアーキテクチャを忠実に追従するモデルを用いて,高密度トラジェクトリグリッドの条件生成として定式化する。
このアプローチはシーン全体のダイナミクスと不確実性を捉え、以前の回帰器やジェネレータよりも正確で多様な予測をもたらす。
論文 参考訳（メタデータ） (2025-09-25T21:03:56Z) - AirScape: An Aerial Generative World Model with Motion Controllability [29.696659138543136]
AirScapeは、6自由度飛行エージェント用に設計された世界初の世界モデルである。
現在の視覚的入力と動きの意図に基づいて将来の観測を予測する。
論文 参考訳（メタデータ） (2025-07-10T16:05:30Z) - Humanoid Locomotion as Next Token Prediction [84.21335675130021]
我々のモデルは感覚運動軌道の自己回帰予測によって訓練された因果変換器である。
われわれのモデルでは、フルサイズのヒューマノイドがサンフランシスコでゼロショットで歩けることが示されている。
われわれのモデルは、わずか27時間の歩行データで訓練された場合でも現実世界に移行でき、後方歩行のような訓練中に見えないコマンドを一般化することができる。
論文 参考訳（メタデータ） (2024-02-29T18:57:37Z) - Panoptic Segmentation Forecasting [71.75275164959953]
我々の目標は、最近の観測結果から近い将来の予測を行うことです。
この予測能力、すなわち予測能力は、自律的なエージェントの成功に不可欠なものだと考えています。
そこで我々は,2成分モデルを構築した。一方のコンポーネントは,オードメトリーを予測して背景物の力学を学習し,他方のコンポーネントは検出された物の力学を予測する。
論文 参考訳（メタデータ） (2021-04-08T17:59:16Z)
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。