論文の概要: The Planning Limits of Latent World Models

• arxiv url: http://arxiv.org/abs/2609.39235v1
• Date: Wed, 30 Sep 2026 08:05:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.427927
• Title: The Planning Limits of Latent World Models
• Title（参考訳）: 後期世界モデルの計画限界
• Abstract要約: 5つの凍結した自己教師付き視覚バックボーン上に構築された動作条件付き予測器を使用する。 私たちは、世界モデルが、ゴールが計画中に想定される軌道内にあるとき、あるいは少し先にあるときのみ、アクションの選択を確実に導くことに気付きました。
• 参考スコア（独自算出の注目度）: 27.2709460237741
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: World models offer a promising way to help robots understand how the physical world evolves and plan complex behaviours through imagination. Yet existing studies mainly demonstrate what these models can accomplish, leaving unclear when their predictions remain useful for planning and where they fail. We study this question using action-conditioned predictors built on five frozen self-supervised visual backbones: V-JEPA 2, V-JEPA 2.1, VideoMAEv2, VideoPrism, and DINOv2. We use frozen backbones to test representations intended to transfer across environments. We evaluate these models on diverse Meta-World manipulation tasks and real-robot interactions from BridgeData V2. We find that a world model guides action selection reliably only when the goal lies within, or slightly beyond, the trajectory it imagines during planning. With five-step rollouts, the length the predictor was trained on, the world model ranks actions reliably only for targets five to ten control steps ahead, whereas task goals lie 16 to 53 steps away. Neither an 81-fold larger predictor nor longer-rollout training extends this range; the encoder affects both range and closed-loop success, with V-JEPA 2.1 performing most consistently. More fundamentally, the limit persists under perfect prediction: using the real simulator, success falls from 92% to 41% as the target moves from five to twenty steps ahead of a five-step rollout. Planning therefore requires either longer imagined trajectories or closer subgoals. For distant goals, pure imagination succeeds in 23% of episodes, planning with feedback (MPC) raises success to 30%, imagining as far as the goal to 47%, and nearby expert subgoals to 76%. Used within its plannable range, a world model can also improve a vision-language-action (VLA) policy: choosing among eight actions the VLA proposes raises its success from 65% to 77% across 16 different tasks.
• Abstract（参考訳）: 世界モデルは、ロボットが物理的世界がどのように進化するかを理解し、想像を通じて複雑な行動を計画するのを助ける、有望な方法を提供する。 しかし、既存の研究では、これらのモデルが何を達成できるかを主に示しており、予測がいつ計画に有用で、どこで失敗するのかははっきりしていない。 本稿では,V-JEPA 2, V-JEPA 2.1, VideoMAEv2, VideoPrism, DINOv2の5つの凍結自己監督型視覚バックボーン上に構築された行動条件付き予測器を用いて,この問題を考察する。 凍結したバックボーンを使用して、環境間での転送を意図した表現をテストします。 本稿では,BridgeData V2からの多種多様なMeta-World操作タスクと実ロボットインタラクションについて評価する。 私たちは、世界モデルが、ゴールが計画中に想定される軌道内にあるとき、あるいは少し先にあるときのみ、アクションの選択を確実に導くことに気付きました。 5段階のロールアウトで、予測者がトレーニングされた長さで、世界モデルは5から10の制御ステップのみを確実にランク付けし、タスクのゴールは16から53歩先にある。 81倍の予測器も長ロールアウトの訓練もこの範囲を拡張せず、エンコーダはレンジとクローズドループの両方に影響を与え、V-JEPA 2.1は最も一貫して動作する。 現実のシミュレーターを使用すると、ターゲットが5段階から20段階のロールアウトに先立つと、成功率は92%から41%に低下する。 したがって、計画には、より長く想像された軌道か、より近い軌道が必要である。 遠い目標のためには、純粋な想像力はエピソードの23%で成功し、フィードバック(MPC)による計画では、成功率が30%、目標が47%、近隣の専門家が76%まで上昇する。 計画可能な範囲内で使用される世界モデルは、ビジョン言語アクション(VLA)ポリシーを改善することもできる。VLAの提案する8つのアクションの中から選択することで、16の異なるタスクで成功率が65%から77%に向上する。

関連論文リスト

• EVO-WAM: Evolving World Action Models through Video-Action Verification [51.68210232964847]
  EVO-WAMは、自身の生成したビデオアクション軌跡から学習することで、WAMを見えないタスクに適応するフレームワークである。 コスモス3の平均成功率は20.0%から76.7%に改善され、56.7%となった。
  論文  参考訳（メタデータ） (2026-09-29T17:25:35Z)
• Beyond a single latent space: a dual-latent world model for long-horizon planning [31.266841567526324]
  本稿では,局所実行と長距離計画を分離したDual-Latent World Model(Dual-WM)を紹介する。 低レベルモデルは行動条件の遷移を予測し、高レベルモデルは学習されたマクロアクションを使用して、より長い時間的スパンを計画する。 我々は,5つの目標条件付き視覚制御タスクに対して,アクター誘導による提案を伴わずに,タスクワイドなベースラインに対してDual-WMを評価する。
  論文  参考訳（メタデータ） (2026-09-29T14:12:33Z)
• Pelican-Sim 1.0: A General World Model Simulator for Embodied Intelligence [22.0636262013758]
  Pelican-Sim 1.0は、インテリジェンスのための一般的な世界モデルシミュレータである。 ビジュアルコンテキストとロボットアクションから将来の観察を予測し、下流での学習と意思決定を支援する。
  論文  参考訳（メタデータ） (2026-09-10T17:51:01Z)
• DUET-DINO: Simultaneous Cross-View World Modeling for Latent Planning in Robot Manipulation [19.179682667653328]
  アクション条件付き潜在世界モデルは将来の視覚表現を予測し、ゼロショットの目標条件付きロボットの計画と制御を可能にする。 本稿では,静的側カメラと手首カメラの同時観測により,動作条件付き予測を同時学習するDuet-DINOについて紹介する。 補完的なグローバルシーンとグリップ中心の情報を活用することで、DUET-DINOは完全な7-DoFアクション空間の潜在計画を可能にする。
  論文  参考訳（メタデータ） (2026-09-09T17:41:38Z)
• StageWAM: Joint-Embedding Stage Prediction for World-Action Models in Robot Manipulation [38.32341379152637]
  汎用ロボット政策は多モード観察と言語課題指示を多様なタスクにわたる行動にマッピングすることを目的としている。 この短期的未来は、アクション実行のためのローカルシーンの進化をキャプチャするが、タスクが現在のステージから次のステージへとどのように進むかを明確に記述していない。 本稿では,モータスをベースとしたワールドアクションモデル(WAM)を,目標条件付きJEPA予測器であるStage-JEPAで拡張するステージWAMを紹介する。
  論文  参考訳（メタデータ） (2026-08-11T10:33:12Z)
• Grounded World Model for Semantically Generalizable Planning [94.53923128709965]
  我々は、視覚言語対応の潜在空間において、グラウンドドワールドモデル(GWM)を学習する。 提案された各アクションは、タスク命令に対する将来の結果がどの程度近いかに基づいてスコアされる。 提案したWISERベンチマークでは、GWM-MPCはテストセットで87%の成功率を達成した。
  論文  参考訳（メタデータ） (2026-04-13T17:25:41Z)
• Self-Correcting VLA: Online Action Refinement via Sparse World Imagination [55.982504915794514]
  本稿では, 自己補正VLA (SC-VLA) を提案する。 SC-VLAは最先端のパフォーマンスを達成し、最高タスクスループットを16%削減し、最高パフォーマンスのベースラインよりも9%高い成功率を得る。
  論文  参考訳（メタデータ） (2026-02-25T06:58:06Z)
• Wow, wo, val! A Comprehensive Embodied World Model Evaluation Turing Test [62.17144846428715]
  我々は、Embodied Turing Testベンチマーク: WoW-World-Eval (Wow,wo,val)を紹介する。 Wow-wo-valは知覚、計画、予測、一般化、実行の5つのコア能力を調べる。 Inverse Dynamic Model Turing Testでは、まずIMMを用いて、実世界におけるビデオ基盤モデルの実行精度を評価する。
  論文  参考訳（メタデータ） (2026-01-07T17:50:37Z)
• GRAPE: Generalizing Robot Policy via Preference Alignment [58.419992317452376]
  GRAPE: 優先度アライメントによるロボット政策の一般化について述べる。 GRAPEはドメイン内および未確認操作タスクにおける成功率をそれぞれ51.79%、58.20%向上させる。 GRAPEは安全性や効率、衝突速度の37.44%、ロールアウト長さの11.15%といった様々な目標に合わせることができる。
  論文  参考訳（メタデータ） (2024-11-28T18:30:10Z)
• Learning to Plan Optimistically: Uncertainty-Guided Deep Exploration via Latent Model Ensembles [73.15950858151594]
  本稿では,不確実な長期報酬に直面した最適化による深層探査を可能にするLOVE(Latent Optimistic Value Exploration)を提案する。 潜在世界モデルと値関数推定を組み合わせ、無限水平リターンを予測し、アンサンブルにより関連する不確実性を回復する。 連続行動空間における視覚ロボット制御タスクにLOVEを適用し、最先端や他の探査目標と比較して、平均20%以上のサンプル効率の改善を実証する。
  論文  参考訳（メタデータ） (2020-10-27T22:06:57Z)

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。