論文の概要: FlexiWorld: Learning and Planning via Flexible Action Chunks Across Multiple Time Scales

• arxiv url: http://arxiv.org/abs/2609.35138v2
• Date: Tue, 29 Sep 2026 15:28:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:46.798042
• Title: FlexiWorld: Learning and Planning via Flexible Action Chunks Across Multiple Time Scales
• Title（参考訳）: FlexiWorld: 複数の時間スケールにわたるフレキシブルアクションチャンクによる学習と計画
• Abstract要約: 潜在世界モデルは、複数の原始的なステップにまたがるアクションチャンクを使用して、ゴール指向の計画のための将来の状態を予測する。 我々は,JEPAベースのワールドモデルであるFlexiWorldを紹介した。
• 参考スコア（独自算出の注目度）: 15.338055488719938
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Latent world models predict future states for goal-directed planning using action chunks spanning multiple primitive steps. Existing methods typically use fixed-length chunks and either omit goal-conditioned action generation or limit their supervision to short goal spans. We introduce FlexiWorld, a JEPA-based world model that combines mixed-span goal supervision with variable-length action chunks to improve long-horizon control. During training, we sample varying goal spans and randomly partition the actions into variable-length chunks. We jointly train the world model with a causal action encoder that embeds variable-length chunks and an autoregressive actor that generates primitive actions sequentially. Student Forcing reduces exposure bias by training on generated action prefixes. For planning, Actor-Residual Cross-Entropy Method (ARCEM) combines action-residual search with within-chunk autoregressive feedback and chunk-boundary latent prediction. Across four benchmarks and goal distances, FlexiWorld with ARCEM achieves 89.29% mean success, compared with 83.98% for the strongest baseline. PushT ablations show improved direct control from mixed-span supervision, variable-length chunks, and Student Forcing. Without retraining, FlexiWorld supports different planning chunk lengths: longer chunks accelerate ARCEM by approximately $1.3\times$ on average while maintaining comparable average success.
• Abstract（参考訳）: 潜在世界モデルは、複数の原始的なステップにまたがるアクションチャンクを使用して、ゴール指向の計画のための将来の状態を予測する。 既存の方法は、通常、固定長のチャンクを使用し、ゴール条件付きアクション生成を省略するか、その監督を短いゴールスパンに制限する。 我々は,JEPAベースのワールドモデルであるFlexiWorldを紹介した。 トレーニング中、さまざまな目標をサンプリングし、ランダムにアクションを可変長のチャンクに分割する。 我々は、可変長チャンクを埋め込んだ因果アクションエンコーダと、プリミティブアクションを逐次生成する自己回帰アクターで、世界モデルを共同で訓練する。 学生強制は、生成されたアクションプレフィックスのトレーニングによって露出バイアスを低減する。 Actor-Residual Cross-Entropy Method (ARCEM) は、アクション-Residual Searchと、チャンク内自己回帰フィードバックとチャンク境界潜在予測を組み合わせる。 4つのベンチマークとゴール距離で、ARCEMによるFlexiWorldの平均成功率は89.29%であり、最強のベースラインは83.98%である。 PushTの廃止により、混合スパンの監督、可変長チャンク、学生強制による直接制御が改善された。 長いチャンクはARCEMを平均で約1.3\times$で加速し、同等の平均的な成功を維持します。

関連論文リスト

• LePlanner: An Iterative Amortized Controller For World Models [0.0]
  本研究では,凍結したワールドモデル予測器を用いて遅延動作シーケンスの構築と洗練を学習する,償却反復制御器LePlannerを提案する。 LePlannerは、最初期の地平線で目標に達するようコントローラに促し、そこに留まるよう、到着と保持の目的で訓練されている。 成功率はPushTが98%、Reacherが100%、TwoRoomsが100%、OGBench Cubeが92%である。
  論文  参考訳（メタデータ） (2026-09-12T10:01:21Z)
• Act More, Decide Less: Skill-Guided Adaptive Action Chunking for Long-Horizon LLM Agents [50.85250898062218]
  大規模言語モデル(LLM)エージェントは、通常、ReActスタイルのプロトコルに従う。 自然な方法は、エージェントが可変長のアクションチャンクを出力することです。 しかし、こうした政策を標準的な強化学習で素直に訓練することは失敗する。
  論文  参考訳（メタデータ） (2026-09-02T03:17:11Z)
• DIRECT: When and Where Should You Allocate Test-Time Compute in Embodied Planners? [57.585275546688116]
  VLM(Vision-Language Models)は、エンボディエージェントの高レベルプランナーとしてますます普及している。 テストタイムの計算をいつ、どこで使うかを選択することは、実際の世界にフロンティアパフォーマンスをもたらす中心である、と私たちは主張する。 我々はマルチモーダルシーンコンテキストを用いてプロンプト毎に計算を割り当てるルーティングフレームワークであるDIRECTを紹介した。
  論文  参考訳（メタデータ） (2026-06-10T17:58:49Z)
• Adaptive Action Chunking via Multi-Chunk Q Value Estimation [18.426163168939365]
  本稿では,新しいオフライン-オンライン強化学習アルゴリズムであるAdaptive Action CHunking (ACH)を提案する。 ACHはトレーニングと推論の間、チャンクの長さを動的に調節する。 我々のメカニズムにより,エージェントは現在の状態に基づいて最適なチャンク長を適応的に選択できる。
  論文  参考訳（メタデータ） (2026-05-11T06:14:32Z)
• SPIRAL: A Closed-Loop Framework for Self-Improving Action World Models via Reflective Planning Agents [135.00390535239129]
  本稿では,自己改善型計画および反復的行動世界モデリングフレームワークであるSPIRALを紹介する。 SPIRALはActWMをクローズドループシンク-アクト-リフレクションプロセスとして定式化し、そこで生成は明示的な計画とフィードバックの下で段階的に進行する。 複数のTI2Vバックボーンに対する実験は、ActWM-Benchとメインストリームのビデオ生成ベンチマークで一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-03-09T14:00:36Z)
• LongScape: Advancing Long-Horizon Embodied World Models with Context-Aware MoE [16.561410415129778]
  LongScapeは、チャンク内拡散とチャンク間自己回帰因果生成を組み合わせたハイブリッドフレームワークである。 私たちの中心となるイノベーションは、ロボットアクションのセマンティックコンテキストに基づいてビデオを分割するアクションガイド付き可変長チャンキングメカニズムです。
  論文  参考訳（メタデータ） (2025-09-26T02:47:05Z)
• Temporal Action Localization with Multi-temporal Scales [54.69057924183867]
  マルチ時間スケールの特徴空間における行動を予測することを提案する。 具体的には、異なるスケールの洗練された特徴ピラミッドを使用して、高レベルのスケールから低レベルのスケールにセマンティクスを渡す。 提案手法は, それぞれ12.6%, 17.4%, 2.2%の改善を達成できる。
  論文  参考訳（メタデータ） (2022-08-16T01:48:23Z)
• Learning Salient Boundary Feature for Anchor-free Temporal Action Localization [81.55295042558409]
  時間的行動のローカライゼーションはビデオ理解において重要な課題である。 純粋にアンカーフリーな時間的定位法を初めて提案する。 このモデルには,(i)エンドツーエンドのトレーニング可能な基本予測器,(ii)サリエンシベースのリファインメントモジュール,(iii)いくつかの一貫性制約が含まれている。
  論文  参考訳（メタデータ） (2021-03-24T12:28:32Z)

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。