論文の概要: Visual Representation and History Modeling for Navigation World Models
- arxiv url: http://arxiv.org/abs/2609.29555v1
- Date: Wed, 26 Aug 2026 06:17:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:56.07431
- Title: Visual Representation and History Modeling for Navigation World Models
- Title（参考訳）: ナビゲーションワールドモデルのための視覚表現と履歴モデリング
- Abstract要約: ナビゲーションワールドモデル(NWM)は、計画のための行動条件付き視覚的未来を予測する。
2つの実用的な課題は、適切な視覚表現を選択し、繰り返し候補クエリの観察履歴を効率的にモデル化することである。
両問題を一元化フロー変換器の枠組みで検討する。
- 参考スコア（独自算出の注目度）: 13.713706894509572
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Navigation World Models (NWMs) predict action-conditioned visual futures for planning. Two practical challenges are central to their design: selecting a suitable visual representation and efficiently modeling observation history for repeated candidate queries. Standard Global-Softmax attention provides flexible interactions but repeatedly processes the same history, leading to increasing computation and memory costs for long contexts and multi-query planning. We study both problems within a unified conditional flow-transformer framework. We first compare five frozen visual representations under the same dynamics model and evaluation. To reduce redundant history computation, we design Cached-Linear, a hybrid architecture that combines local and shifted-window attention for target mixing with linear attention for reusable history access. We further develop Balanced Gated Delta Network (GDN), which augments this design with frame-wise recurrent memory for temporal history modeling. Experiments on RECON, SACSoN, and SCAND show that representation choice depends on the prediction objective: PAE-L performs best for reconstruction, RAE-B for direct prediction, and V-JEPA for long-horizon rollout. Under shared-history workloads, Cached-Linear substantially reduces computation and memory compared with Global-Softmax, while Balanced GDN improves selected direct-prediction endpoints with efficient context reuse. Overall, we systematically study visual representation and history modeling for NWMs and develop hybrid reusable-history architectures for efficient long-context and multi-query prediction.
- Abstract（参考訳）: ナビゲーションワールドモデル(NWM)は、計画のための行動条件付き視覚的未来を予測する。
2つの実用的な課題は、適切な視覚表現を選択し、繰り返し候補クエリの観測履歴を効率的にモデル化することである。
標準のGlobal-Softmaxアテンションはフレキシブルなインタラクションを提供するが、同じ履歴を繰り返し処理し、長いコンテキストとマルチクエリ計画のための計算とメモリコストが増大する。
両問題を一元化フロー変換器の枠組みで検討する。
まず、同じ力学モデルと評価の下で、凍結した視覚表現を5つ比較する。
冗長な履歴計算の削減を目的として,局所およびシフトウインドウの注意と線形の注意を組み合わせ,再利用可能な履歴アクセスを実現するハイブリッドアーキテクチャであるCached-Linearを設計した。
我々はさらに、時間履歴モデリングのためのフレームワイド・リカレントメモリにより、この設計を増強するBa balanced Gated Delta Network (GDN) を開発した。
RECON、SACSoN、SCANDの実験では、表現の選択は予測目標に依存することが示されている: PAE-Lは再構築に、RAE-Bは直接予測に、V-JEPAは長期ロールアウトに、。
共有履歴ワークロードの下では、Cached-LinearはGlobal-Softmaxと比較して計算とメモリを大幅に削減し、Ba balanced GDNは効率的なコンテキスト再利用で選択された直接予測エンドポイントを改善している。
全体として,NWMの視覚表現と履歴モデリングを体系的に研究し,より効率的な長文・マルチクエリ予測のためのハイブリッド再利用可能なヒストリーアーキテクチャを開発した。
関連論文リスト
- MemoryWAM: Efficient World Action Modeling with Persistent Memory [80.90899269062128]
本稿では,効率的な永続メモリを持つ世界アクションモデルであるMemoryWAMを紹介する。
調整された注意機構は、詳細な短期コンテキストと圧縮された長期コンテキストの両方の検索を可能にする。
MemoryWAMは、シミュレーションと実世界の両方において、強力な視覚言語アクション(VLA)とWAMベースラインを上回っている。
論文 参考訳（メタデータ） (2026-06-18T17:59:51Z) - Mem-World: Memory-Augmented Action-Conditioned World Models for Persistent Robot Manipulation [55.42006264038458]
アクション条件付き世界モデルは、ロボット学習の有望なパラダイムとして登場した。
Mem-Worldはメモリ拡張されたマルチビューアクション条件の世界モデルである。
W-VMemは4次元手首ビュー中心のサーベイルインデクシングメモリで、歴史的観測を時間的に変化する表面要素に固定する。
論文 参考訳（メタデータ） (2026-06-17T11:42:00Z) - Unified World Models: Memory-Augmented Planning and Foresight for Visual Navigation [69.94565127141483]
現在のアプローチでは、ナビゲーション計画とビジュアルワールドモデリングが分離されており、状態-アクションのミスアライメントと適応性の制限につながっている。
一つのマルチモーダル自己回帰バックボーン内に、自我中心の視線と計画を統合する統一されたメモリ拡張世界モデルUniWMを提案する。
我々は,UniWMが航法成功率を最大30%向上し,トラジェクトリエラーを強いベースラインと比較して著しく低減し,未確認のTartanDriveデータセットに印象的なゼロショット一般化を示すことを示した。
論文 参考訳（メタデータ） (2025-10-09T18:18:11Z) - PersonalAI: A Systematic Comparison of Knowledge Graph Storage and Retrieval Approaches for Personalized LLM agents [15.524189150821147]
大規模言語モデル (LLM) とRetrieval-Augmented Generation (RAG) の組み合わせは、複雑な長期的相互作用においてスケールできない。
LLM自体によって自動的に構築・更新される知識グラフに基づくフレキシブルな外部メモリフレームワークを提案する。
AriGraphアーキテクチャに基づいて、標準エッジと2種類のハイパーエッジの両方をサポートする新しいハイブリッドグラフ設計を導入する。
本稿では,TriviaQA,HotpotQA,DiaASQ-demonstratingの3つのベンチマークを用いて,メモリと検索の異なる構成でタスクに応じて最適な性能が得られることを示す。
論文 参考訳（メタデータ） (2025-06-20T13:52:15Z) - Future Link Prediction Without Memory or Aggregation [25.066464612400768]
時間グラフの将来のリンク予測は、実世界の動的システムに広く適用可能な基本課題である。
既存のメソッドは通常、複雑なメモリとアグリゲーションモジュールに依存しますが、目に見えないエッジを扱うのに苦労しています。
本稿では,メモリやアグリゲーションモジュールを捨てるシンプルなアーキテクチャであるCRAFT(Cross-Attention based Future Link Predictor on Temporal Graphs)を提案する。
論文 参考訳（メタデータ） (2025-05-26T01:53:27Z) - UniFlow: A Foundation Model for Unified Urban Spatio-Temporal Flow Prediction [23.79904267354509]
都市インフラの最適化と交通災害対応管理には,都市時流予測が不可欠である。
従来のアプローチは、グリッドベースのデータまたはグラフベースのデータに合わせた、別々のモデルに依存してきた。
本稿では,グリッドベースのグラフベースデータを統一した一般都市流予測モデルを提案する。
論文 参考訳（メタデータ） (2024-11-20T01:54:52Z) - HAT: History-Augmented Anchor Transformer for Online Temporal Action Localization [3.187381965457262]
本報告では,OnTAL 用 History-Augmented Anchor Transformer (HAT) フレームワークについて述べる。
歴史的文脈を統合することにより,長期情報と短期情報との相乗効果が向上する。
我々は,PREGO(Procedural egocentric)データセットと標準非PREGOOnTALデータセットの両方を用いて,本モデルを評価した。
論文 参考訳（メタデータ） (2024-08-12T18:29:48Z) - Exploring the Limits of Historical Information for Temporal Knowledge
Graph Extrapolation [59.417443739208146]
本稿では,歴史的コントラスト学習の新しい学習枠組みに基づくイベント予測モデルを提案する。
CENETは、最も潜在的なエンティティを識別するために、歴史的および非歴史的依存関係の両方を学ぶ。
提案したモデルを5つのベンチマークグラフで評価する。
論文 参考訳（メタデータ） (2023-08-29T03:26:38Z) - Learning Dual Dynamic Representations on Time-Sliced User-Item
Interaction Graphs for Sequential Recommendation [62.30552176649873]
シーケンシャルレコメンデーションのための動的表現学習モデル(DRL-SRe)を考案する。
両面から動的に特徴付けるためのユーザ・イテム相互作用をモデル化するため,提案モデルでは,時間スライス毎にグローバルなユーザ・イテム相互作用グラフを構築した。
モデルが微粒な時間情報を捕捉することを可能にするため,連続時間スライス上での補助的時間予測タスクを提案する。
論文 参考訳（メタデータ） (2021-09-24T07:44:27Z)
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。