論文の概要: FLEX-WAM: Flexible Block-Causal World-Action Models for Long-Horizon Imagination and Planning

• arxiv url: http://arxiv.org/abs/2610.05483v1
• Date: Sun, 04 Oct 2026 19:41:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 13:32:58.998752
• Title: FLEX-WAM: Flexible Block-Causal World-Action Models for Long-Horizon Imagination and Planning
• Title（参考訳）: FLEX-WAM:長軸イマジネーションと計画のためのフレキシブルブロック・カジュアルワールド・アクションモデル
• Abstract要約: 本稿では,統一シミュレーションとポリシー推論のためのブロック因果世界行動モデルFLEX-WAMを紹介する。 可変長コンテキストと非因果予測水平線をサポートし、フレームまたはブロックによる無限の自己回帰生成フレームをサポートする。 安定なジョイントステート-アクションロールアウトを数千ステップで生成しながら、より優れたマルチステップ予測品質とレイテンシを実現する。
• 参考スコア（独自算出の注目度）: 17.9862133467585
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: World--action models (WAMs) promise a unified model that predicts action-conditioned futures, generates feasible actions, and supports planning in imagination. However, existing joint video--action models often use computationally heavy, fixed-horizon backbones ill-suited to streaming inference and stable long-horizon open-loop rollouts. We introduce FLEX-WAM, a Flexible and Efficient Block-Causal World--Action Model for unified simulation and policy inference. FLEX-WAM supports variable-length contexts and non-causal prediction horizons, as well as infinite autoregressive generation frame by frame or block by block. Its block-causal, KV-cacheable architecture combines axial attention and blockwise diffusion forcing to enable efficient real-time rollout and deployment-time latency--throughput tradeoffs without retraining. Joint training can nevertheless produce plausible futures that weakly respond to commanded actions. We address this failure mode by balancing state and action flow-matching gradient contributions across the state--action diffusion-noise grid and regulating world-model sampling using Forward-Dynamics (FD) elasticity, an efficient training-time proxy for action responsiveness. Across simulated and real-world datasets, FLEX-WAM achieves superior multi-step prediction quality and latency while producing stable joint state--action rollouts for thousands of steps. As a joint action proposer and simulator within MCTS, it solves long-horizon PushT and all five OGBench Puzzle-4x4 tasks entirely in imagination. On a bimanual OpenArm-based robot, a single checkpoint jointly serves as a play policy and expected-outcome predictor, enabling real-time identification and collection of model--reality mismatches for future self-improvement.
• Abstract（参考訳）: 世界行動モデル(WAM)は、行動条件付き未来を予測し、実行可能な行動を生成し、想像上の計画を支援する統一モデルである。 しかし、既存のジョイントビデオアクションモデルは、しばしば、ストリーミング推論と安定したロングホライゾンオープンループロールアウトに不適な計算的に重い固定ホライゾンバックボーンを使用する。 本稿では,フレキシブルで効率的なブロック・カジュアル・ワールド・アクション・モデルであるFLEX-WAMを紹介した。 FLEX-WAMは可変長コンテキストと非因果予測水平線をサポートし、フレームやブロックによる無限の自己回帰生成フレームをサポートする。 ブロック因果的でKV対応のアーキテクチャは、軸方向の注意とブロックワイド拡散を組み合わせ、効率的なリアルタイムロールアウトとデプロイメント時のレイテンシ-スループットのトレードオフを可能にする。 にもかかわらず、共同訓練は命令された行動に弱反応する有望な未来を生み出すことができる。 本研究では、状態-動作拡散雑音格子間の状態と動作フローマッチング勾配のコントリビューションのバランスと、動作応答性の効率的な訓練時間プロキシであるフォワード・ダイナミクス(FD)弾性を用いた世界モデルサンプリングの制御により、この障害モードに対処する。 シミュレーションと実世界のデータセット全体にわたって、FLEX-WAMは、数千のステップで安定したジョイントステート-アクションロールアウトを生成しながら、優れたマルチステップ予測品質とレイテンシを実現する。 MCTS内の共同アクションプロジェクターとシミュレーターとして、長距離のPushTと5つのOGBench Puzzle-4x4タスクを完全にイマジネーションで解決する。 バイマナルなOpenArmベースのロボットでは、単一のチェックポイントがプレイポリシーと期待出力予測器として機能し、将来の自己改善のためのリアルタイム識別とモデル-現実ミスマッチの収集を可能にする。

関連論文リスト

• RoXDrive: Closed-Loop Reinforcement Learning for End-to-End Autonomous Driving via Action-Faithful Rollouts [98.41251854883184]
  強化学習(RL)ポストトレーニングは、現在のアプローチに代わる有望な代替手段を提供する。 ビデオワールドモデルは、現実的な多段階の将来のロールアウトを生成する能力を示したが、アクション条件を忠実に反映しないかもしれない。 本稿では,信頼性の高いポリシ最適化を実現するプラグイン・アンド・プレイクローズドループRLフレームワークであるRoXDriveを紹介する。
  論文  参考訳（メタデータ） (2026-09-29T06:59:50Z)
• WALL-SS: Scaling Long-horizon World Models via Next-Scale Autoregression [24.010807495676605]
  生成的世界モデルは、相互作用の下で世界がどのように進化するかの予測モデルを提供する。 WALL-SSは,スケールワイドの自己回帰スケーリングによって視覚的未来を生成する世界モデルである。 We show that WALL-SS improves action following and trajectory accuracy, support coherent minute-long streaming rollout under bounded memory, and consistent benefit of on-policy alignment。
  論文  参考訳（メタデータ） (2026-08-26T17:57:12Z)
• StreamPI: Streaming Multimodal Temporal Modeling for Vision-Language-Action Models [84.17128030384099]
  StreamPIはストリーミングマルチモーダル時間モデリングフレームワークである。 追加パラメータを導入することなく、単一フレームのVLAに時間的推論能力を持たせる。 メモリ依存および正確な認識シナリオにまたがる実ロボットタスクの実験とシミュレーションベンチマークのLIBEROは、StreamPIが様々なタスクでpi0.5より優れていることを示した。
  論文  参考訳（メタデータ） (2026-08-26T17:33:19Z)
• SegDiff: Segmented Trajectory Diffusion for Consistent and Adaptive Robot Manipulation [65.81476183180527]
  両パラダイムの長所を統合するクローズドループビズモータポリシであるSegDiffを紹介する。 SegDiffはデモをキーセグメンテーション間で動作セグメントに分解し、現在の状態から次のキーセグメンテーションまでの連続的な軌跡を予測することを学習する。 SegDiffは、さまざまなシミュレートされた実世界のシナリオにおいて、既存のアプローチよりも大きなパフォーマンス向上を示している。
  論文  参考訳（メタデータ） (2026-07-13T02:48:03Z)
• PIER-Flow: Physics-Informed Efficient Rectified Flow for Real-Time Mobile Robot Navigation [10.164953732323463]
  PIER-Flowは移動ロボットのための軽量ナビゲーションポリシーである。 98.85%の成功率とゼロ衝突を達成し、平均値は$sim$1.29 msである。
  論文  参考訳（メタデータ） (2026-07-11T12:34:28Z)
• MAPLE: Latent Multi-Agent Play for End-to-End Autonomous Driving [62.43744546817599]
  視覚言語-アクション(VLA)モデルは、エンドツーエンドのモーションプランナーとして有効であるが、クローズドループ設定で評価すると不安定である。 本稿では, VLAモデルの潜在空間における動的駆動シナリオの, リアクティブでマルチエージェントなロールアウトのための新しいフレームワークMAPLEを提案する。 MAPLEはBench2Driveで最先端の駆動性能を実現し、堅牢なE2E自動運転システムのためのスケーラブルでクローズループなマルチエージェントプレイを実演する。
  論文  参考訳（メタデータ） (2026-05-13T23:35:14Z)
• Going with the Flow: Koopman Behavioral Models as Implicit Planners for Visuo-Motor Dexterity [1.6865201067073452]
  本稿では,一様挙動モデル (UBMs) を紹介する。 Koopman-UBM は UBM の最初のインスタンス化であり、潜在視覚的特徴と固有受容的特徴の結合フローが構造化線形システムによって制御される統一表現を学習する。
  論文  参考訳（メタデータ） (2026-02-07T07:18:00Z)

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。