論文の概要: $R^2$-WAM: Repair-and-Reject Post-Training for World Action Models
- arxiv url: http://arxiv.org/abs/2610.04913v1
- Date: Sun, 04 Oct 2026 03:47:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.393122
- Title: $R^2$-WAM: Repair-and-Reject Post-Training for World Action Models
- Title（参考訳）: $R^2$-WAM:世界行動モデルに対する修復・削除後トレーニング
- Abstract要約: R2$-WAMは2段階の修理と削除のためのポストトレーニングフレームワークである。
まず、予測された先物の入力動作との整合性を改善する。
次に、これらの未来を利用して、ネガティブな微調整のための劣るアクションサンプルを選択する。
- 参考スコア（独自算出の注目度）: 20.330472629595857
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: World Action Models (WAMs) emerge as a promising foundation for policy refinement by predicting the consequences of sampled actions. However, visually plausible predictions can mislead policy refinement if they fail to reflect the input actions. To address this mismatch, we introduce $R^2$-WAM, a two-stage repair-and-reject post-training framework that first improves the consistency of predicted futures with input actions, then uses these futures to select inferior action samples for negative fine-tuning. The repair stage grounds imagination in observed robot behavior through a kinematic alignment score that measures agreement between predicted and demonstrated motion, enabling the predicted video to faithfully reflect its input actions. Using the repaired video model, the rejection stage compares imagined outcomes of sampled and demonstrated actions, selectively applying negative fine-tuning to samples whose predicted task progress falls below the demonstrated reference by a prescribed margin. Together, the two stages extend video prediction from representation learning to consequence-based policy refinement without additional environment interaction or changes to the inference procedure. $R^2$-WAM achieves 93.8% average success on RoboTwin 2.0 across clean and randomized settings. On the long-horizon real-world Fold Shirt task, it achieves 87.5% average success, compared with 0% for Fast-WAM.
- Abstract（参考訳）: 世界行動モデル(WAM)は、サンプリングされた行動の結果を予測することで、政策改善のための有望な基盤として出現する。
しかし、視覚的に妥当な予測は、入力動作の反映に失敗した場合、ポリシーの洗練を誤解させる可能性がある。
このミスマッチに対処するために、まず2段階の修正・削除後トレーニングフレームワークである$R^2$-WAMを導入する。
修復段階は、予測された動きと実証された動きの一致を計測するキネマティックアライメントスコアにより、観察されたロボット動作の想像力を基盤とし、予測された映像がその入力動作を忠実に反映することを可能にする。
修復されたビデオモデルを用いて、リジェクションステージは、サンプルと実証されたアクションの想像結果を比較し、予測されたタスク進捗が所定のマージンで示される基準を下回るサンプルに対して、ネガティブな微調整を選択的に適用する。
この2つのステージは、表現学習から結果に基づくポリシー改善まで、追加の環境相互作用や推論手順の変更を伴わずにビデオ予測を拡張している。
R^2$-WAMは、クリーンでランダムな設定でRoboTwin 2.0で平均93.8%の成功を達成する。
長距離実世界のFold Shirtタスクでは、Fast-WAMの0%に比べて87.5%の平均的な成功を達成している。
関連論文リスト
- Action-Consequence Alignment for Reliable Planning and Self-Improving in Latent World Models [50.093046379641315]
学習された世界モデルが類似した行動結果対応を維持しているかどうかを検討する。
その結果、近くの代替手段は、記録された目標から遠く離れた物理的結果を生み出すにもかかわらず、より低い予測誤差を得られることが示された。
これらの結果は、予測学習と信頼性プランニングをブリッジする実践原則として、アクション・エフェクト・アライメントを支援する。
論文 参考訳（メタデータ） (2026-10-03T14:12:16Z) - World Action Modeling with Progressive Visual Planning [42.47105321176084]
本稿では,協調して行動を予測するプログレッシブ・ワールド・アクション・モデルであるProWAMについて述べる。
この設計は、大規模アクションフリービデオからサブゴール予測を学ぶことができるため、自然にスケールする。
効率的なアクション生成のために、ProWAMは単一のビデオバックボーンフォワードパスを実行し、スパースサブゴール機能をキャッシュする。
論文 参考訳（メタデータ） (2026-10-01T21:32:29Z) - World-Calibrated Proposal-to-Action Flow for Vision-Language-Action Models [79.30575944315403]
Flow-based Vision-Language-Action Policy generated action chunks by transporting sample from a task-agnostic isotropic Gaussian source。
このソースは、最近の実行も将来の進化も予測しないので、最近実行された動きによって確立された局所的な連続性を捨てる。
生成元自体を予測可能にする,世界キャリブレーションされたプロポーザル・ツー・アクション・フレームワークであるProActを紹介する。
論文 参考訳（メタデータ） (2026-10-01T18:00:11Z) - What Makes World Action Models Generalize? An Empirical Study of Test-Time Future Modeling [60.33876128319945]
世界行動モデル(WAM)は、トレーニング中の行動と共に未来を予測する。
WAMは、分散処理タスクにおいて明示的なタスクと一致するが、もともとWAMを動機付けていた一般化の利点を保たないことがわかった。
提案するSimple-WAMは,将来のモデリングを完全ノイズ付きビデオトークンの1つの前方通過に単純化する。
論文 参考訳（メタデータ） (2026-09-28T11:56:57Z) - Achieve What You Imagined: Learning to Align Actions with Visual Plans [37.7412146305617]
世界行動モデルは、将来の視覚的な観察とロボットのアクションを共同で予測することができる。
視覚的予測と、生成された行動によって引き起こされる結果の間には、相違がある可能性がある。
我々は、フリーズされた行動条件付き世界モデルを用いて、行動条件付き結果の予測とフィードバックの構築を行う。
論文 参考訳（メタデータ） (2026-09-27T18:32:40Z) - Beyond One-Step Accuracy: State-Affine Latent Transition for Reliable Visual Planning [53.476598858325985]
複数ステップのロールアウトエラーを個々のステップで導入したエラーに分解し,その後の遷移を通した伝播を行う。
状態-アフィンダイナミクスは、状態非依存のヤコビアンとの微分可能遷移であることを示す。
動作条件付き状態-アフィンダイナミクスモデルであるSALTを導入し、動作が状態変換と追加更新の両方を変調する。
論文 参考訳（メタデータ） (2026-09-27T14:12:27Z) - Repurposing Deep Limit Order Book Forecasting for Scenario-Conditioned Market Impact Modeling [49.590388401787834]
本稿では,機械的に有効な反事実メッセージの注入前後の予測者の予測分布を比較するモデルに依存しないフレームワークを提案する。
トランスフォーマーをベースとした予測器は、スピアマンの相関関係を0.99と97.2%と、実現した歴史的成果との方向性の一致で、シナリオランキングを回復した。
論文 参考訳（メタデータ） (2026-09-15T10:06:03Z) - JEPA Policy: Diffusion-Free Imitation Learning via Paired Action and Future Representation Prediction [6.889062419237111]
JEPA Policyは、アクションチャンクとその観測された将来の表現をペア化されたトレーニングターゲットとして使用する、拡散のないフレームワークである。
将来の予測は、アクションを生成するために使われる表現を形作ることができる。
その結果、反復的な生成サンプリングを伴わない低遅延ビズモータ模倣に対する実践的なアプローチとして、ペア・フューチャー・リ表現の監視を支援する。
論文 参考訳（メタデータ） (2026-09-09T02:42:20Z) - Learning Counterfactual World Models for Embodied Reasoning under Partial Observability [0.562873332680314]
世界モデルは予測力学を一度学習し、推論し、計画し、行動することを約束します。
このようなモデルの下の表現は、大規模ビデオ、インタラクション、マルチモーダルコーパスで事前訓練されている。
モデルは視覚的に妥当な未来を予測し、異なる行動結果の介入を区別できない。
論文 参考訳（メタデータ） (2026-09-05T02:56:47Z) - Dream2Reward: Transition-Alignment Reward Models from Positive Demonstrations for Robotic Manipulation [51.43645327777772]
そこでDream2Rewardを紹介し,肯定的な実証から言語条件で成功した潜在遷移場を学習する。
観察結果が進行しているように見える場合でも、間違った方向、オーバーシューティング、停滞した動きを罰する。
オンラインとオフラインのポリシー学習全体において、同じフリーズ報酬モデルが報酬のハッキングを減らし、より強力な下流のパフォーマンスをサポートする。
論文 参考訳（メタデータ） (2026-08-19T10:44:20Z) - 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)
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。