論文の概要: EpicWorldModel: Exploration-driven Planning with Latent World Models

• arxiv url: http://arxiv.org/abs/2610.05996v1
• Date: Mon, 05 Oct 2026 08:49:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 19:38:12.681175
• Title: EpicWorldModel: Exploration-driven Planning with Latent World Models
• Title（参考訳）: EpicWorldModel: 潜在世界モデルによる探索駆動計画
• Abstract要約: JEPA(Joint-Embedding Predictive Architecture)に基づく潜在世界モデルは設計によって決定論的である。 EpicWorldModelは、部分的に可観測性の下で固有の不確実性のある環境やタスクに対してJEPAsをトレーニングするフレームワークです。 本研究では, 予測エントロピー上界との関係から, 流れの予測分散が, 計画立案に有用な探索指針となることを示す。
• 参考スコア（独自算出の注目度）: 37.39681749535708
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Latent world models based on Joint-Embedding Predictive Architecture (JEPA) are deterministic by design. While successful in fully observable scenarios, this paradigm breaks down when past observations and actions lead to multiple plausible future possibilities, e.g., due to occlusion. We introduce EpicWorldModel, a framework to train stochastic JEPAs for environments and tasks with inherent uncertainty under partially observability. We jointly train the EpicWorldModel predictor with its latent representation space to directly predict multiple potential future states using a flow-matching objective, when the goal-relevant scene content is absent from the conditioning history. We show that flow predictive variance, motivated by its relation to an upper bound on predictive entropy, serves as a useful exploration guidance for planning. By incorporating this uncertainty signal into Cross-Entropy Method (CEM)-based planning, our approach balances goal-reaching with exploration of uncertain regions where occluded goals are most likely to be located. We demonstrate the effectiveness of EpicWorldModel through a series of latent planning experiments with the best or on-par performance across tasks, showing up to 22% empirical improvement in success rate over LeWorldModel.
• Abstract（参考訳）: JEPA(Joint-Embedding Predictive Architecture)に基づく潜在世界モデルは設計によって決定論的である。 完全に観測可能なシナリオで成功したが、このパラダイムは、過去の観測とアクションが、隠蔽によって複数の可能な将来の可能性、例えば、複数の可能性に繋がるときに崩壊する。 EpicWorldModelは、部分的に可観測性の下で固有の不確実性のある環境やタスクに対して確率的JEPAをトレーニングするフレームワークである。 我々はEpicWorldModel予測器と、その潜在表現空間を併用して、目標関連シーンコンテンツが条件付き履歴から欠落している場合に、フローマッチング目的を用いて、複数の将来状態を直接予測するように訓練する。 本研究では, 予測エントロピー上界との関係から, 流れの予測分散が, 計画立案に有用な探索指針となることを示す。 この不確実性信号をCEM(Cross-Entropy Method)ベースのプランニングに組み込むことで、目標達成と目標達成の可能性が最も高い不確実な領域の探索のバランスをとる。 本稿では,EpicWorldModel の有効性を,タスク間で最高の,あるいは十分なパフォーマンスを達成し,LeWorldModel よりも22% の成功率を実証的に向上させることによって実証した。

関連論文リスト

• Self-Evolving World Models for LLM Agent Planning [72.99782619992361]
  我々はWorldEvolverを紹介した。WorldEvolverは、ダウンストリームエージェントとすべてのモデルパラメータを凍結したまま、デプロイメント時間コンテキストを更新する自己進化型ワールドモデルフレームワークである。 WorldEvolverは3つのバックボーンで最高の予測精度を達成し、下流エージェントの成功率で他のワールドモデルベースラインを導く。
  論文  参考訳（メタデータ） (2026-06-29T17:58:43Z)
• Beyond the Next Step: Variable-Length Latent World Models for Long-Horizon Planning [40.09669638091686]
  本稿では,可変長の動作列に条件付き潜在状態を予測するフレームワークを提案する。 実験により、可変長ラテント・ワールド・モデルがラテント・スペース・ワールド・モデルを大幅に改善していることが示されている。
  論文  参考訳（メタデータ） (2026-06-19T21:50:15Z)
• World-Value-Action Model: Implicit Planning for Vision-Language-Action Systems [32.4918638412746]
  VLA(Vision-Language-Action)モデルは、知覚と言語を作用させるエンボディエージェントを構築するための有望なパラダイムとして登場した。 本稿では,VLAシステムにおける暗黙的な計画を可能にする統合フレームワークであるWorld-Value-Action(WAV)モデルを紹介する。
  論文  参考訳（メタデータ） (2026-04-16T07:46:05Z)
• Uni-World VLA: Interleaved World Modeling and Planning for Autonomous Driving [52.04950569530877]
  我々は、将来のフレーム予測と軌道計画の密接なインターリーブを行う統合視覚言語行動モデルUni-World VLAを提案する。 提案手法は,高忠実度将来のフレーム予測を行いながら,競合する閉ループ計画性能を実現する。
  論文  参考訳（メタデータ） (2026-03-28T14:39:51Z)
• From Forecasting to Planning: Policy World Model for Collaborative State-Action Prediction [57.56072009935036]
  政策世界モデル(PWM)と呼ばれる新しい運転パラダイムを導入する。 PWMは、統一アーキテクチャ内での世界モデリングと軌道計画を統合する。 提案手法は,マルチビューおよびマルチモーダル入力に依存する最先端の手法に適合するか,あるいは超越する。
  論文  参考訳（メタデータ） (2025-10-22T14:57:51Z)
• WorldPrediction: A Benchmark for High-level World Modeling and Long-horizon Procedural Planning [52.36434784963598]
  我々は、異なるAIモデルのワールドモデリングと手続き計画能力を評価するためのビデオベースのベンチマークであるWorldPredictionを紹介する。 現在のフロンティアモデルでは,WorldPrediction-WMでは57%,WorldPrediction-PPでは38%の精度しか達成できないが,人間は両タスクを完璧に解くことができる。
  論文  参考訳（メタデータ） (2025-06-04T18:22:40Z)
• Predictive World Models from Real-World Partial Observations [66.80340484148931]
  本研究では,現実の道路環境に対する確率論的予測世界モデル学習のためのフレームワークを提案する。 従来の手法では、学習のための基礎的真理として完全状態を必要とするが、HVAEが部分的に観察された状態のみから完全状態を予測することを学べる新しい逐次訓練法を提案する。
  論文  参考訳（メタデータ） (2023-01-12T02:07:26Z)

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。