論文の概要: Predicted Futures Are Not Enough: Learning Executable Goals for Robot Manipulation

• arxiv url: http://arxiv.org/abs/2610.09309v1
• Date: Wed, 07 Oct 2026 02:07:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.678921
• Title: Predicted Futures Are Not Enough: Learning Executable Goals for Robot Manipulation
• Title（参考訳）: ロボット操作のための実行可能な目標を学習する
• Abstract要約: 本稿では3次元トレースワールドモデルの明示的な出力として実行可能端末を目標とする,学習された予測・実行インターフェースを提案する。 5つの操作タスクで、パイプラインの平均成功率は79.69%である。 結果は、予測・実行インターフェースをワールド・モデル・プランニングの明示的な学習要素として扱うことを支援する。
• 参考スコア（独自算出の注目度）: 13.1613046836053
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative world models provide rich predictions of how manipulation scenes may evolve toward task objectives, yet those futures do not directly expose the compact task variables required by control. When training supervises future prediction alone, terminal goal accuracy is not an explicit learning objective, even when geometric recovery is available. We present Entity-Level Goal Readout, a learned prediction-to-execution interface that makes the executable terminal goal an explicit output of a 3D trace world model. It combines object-centric pose prediction with translation grounded in observed depth to produce a compact goal in SE(3). A shared Pose-Native Executor consumes this fixed goal with online object-pose feedback for closed-loop control without rerunning the world model. Across five manipulation tasks, the pipeline achieves a mean success rate of 79.69%. Goal diagnostics directly measure terminal goal accuracy, while controlled translation perturbations characterize how execution degrades under goal error. Zero-shot deployment on a Franka arm achieves 73.33% success on nominal StackCube, 66.67% with distractors, and 75.00% on PickPlate with a target unseen during policy training. These results support treating the prediction-to-execution interface as an explicit learned component of world-model planning rather than incidental post-processing in the control pipeline itself. Project page: https://claire0730.github.io/executable-goals/
• Abstract（参考訳）: 生成的世界モデルは、操作シーンがタスクの目的に向かってどのように進化するかについての豊富な予測を提供するが、これらの未来は制御によって要求されるコンパクトなタスク変数を直接公開しない。 トレーニングが将来の予測のみを監督する場合、幾何的回復が可能である場合でも、端末目標精度は明示的な学習目標ではない。 Entity-Level Goal Readoutは、学習した予測から実行までのインターフェースで、実行可能端末のゴールを3Dトレースワールドモデルの明示的な出力にする。 オブジェクト中心のポーズ予測と観測深度に接地された翻訳を組み合わせることで、SE(3)におけるコンパクトな目標を生成する。 共有Pose-Native Executorは、世界モデルを再実行することなく、クローズドループ制御のためのオンラインオブジェクトオブジェクトフィードバックによって、この固定目標を消費する。 5つの操作タスクで、パイプラインの平均成功率は79.69%に達する。 ゴール診断は端末のゴール精度を直接測定し、制御された翻訳摂動は、ゴールエラー下での実行がいかに劣化するかを特徴付ける。 フランカの腕へのゼロショット配備は、名目上のStackCubeで73.33%、気を散らして66.67%、PickPlateで75.00%、政策訓練中にターゲットが見えない状態で成功している。 これらの結果は、制御パイプライン自体における偶発的な後処理ではなく、ワールドモデル計画の明示的な学習コンポーネントとして、予測・実行インターフェースを扱います。 プロジェクトページ: https://claire0730.github.io/executable-goals/

関連論文リスト

• ForeAct3D: Policy-Grounded Future World Modeling for VLA Policies [28.246787329202586]
  我々は、ビジョン・ランゲージ・アクション・ポリシーの中で、ポリシーに基づく未来の世界モデリングのためのフレームワークであるForeAct3Dを紹介する。 ForeAct3D は LIBERO で平均98.3%、CALVIN で平均タスク長 3.73 を達成し、全てのスイートで基本方針を上回っている。
  論文  参考訳（メタデータ） (2026-10-03T15:49:04Z)
• Aim Short to Reach Far: Your Frozen World Model Can Plan Better Than You Think [11.563626437122878]
  Anchored Planning(AP)は、世界モデルのオフライン軌道を再利用するトレーニングフリーの手法である。 APは、アクション合成とアクションランキングの両方において、凍結したLeWMプランナを大幅に改善する。
  論文  参考訳（メタデータ） (2026-09-24T16:05:02Z)
• Dynin-Robotics: Omnimodal Unified Diffusion Vision-Language-Action Model [7.384043308834925]
  視覚目標とダイナミックス予測は、目標とする結果とアクションに依存したシーン変化の表現の両方で言語条件のロボットポリシーを提供することができる。 ダイニン・ロボティクスはこの定式化をダイニン・オムニに実装し、言語、視覚的観察、ゴール、アクションを離散トークンとして表現している。 我々は、48のOpen X-Embodimentデータセットから約133万の軌道上でモデルを継続的に事前訓練し、下流ドメインに個別に適応する。
  論文  参考訳（メタデータ） (2026-09-11T16:49:26Z)
• GaussianDream++: Efficient 3D Gaussian World Modeling for Robotic Manipulation [55.47130289185285]
  VLA(Vision-Language-Action)ポリシーは、高度な言語条件のロボット操作である。 我々は textbfWorld State Tokens と textbfWorld Prediction Tokens を VLA バックボーンに直接挿入する,コンパクトでポリシーネイティブな拡張である textbfMethodname を提示する。
  論文  参考訳（メタデータ） (2026-08-26T11:41:55Z)
• Sparse2Act: Learning Action-Aligned Sparse 3D Representations for Cross-Domain Robot Manipulation [52.00134393320209]
  Sparse2Actは、スパースポイントクラウドエンコーダの事前学習のための観測・動作アライメントフレームワークである。 マスク付きスパース3Dトークンは、観察と組み合わせたワークスペース運動の周囲のシーン特徴を整理するために訓練される。 LIBERO-10ベンチマークでは,500ステップの微調整を行い,平均86.9%の成功を達成した。
  論文  参考訳（メタデータ） (2026-06-10T23:56:01Z)
• How You Move Tells What You'll Do: Trajectory-Conditioned Egocentric Prediction [18.644849565753848]
  我々はこれらの知見を,エゴセントリックな文脈から将来の軌道候補を予測するモデルであるTrajPilotとしてインスタンス化する。 TrajPilotは、Ego-Exo4D Atomic、Ego-Exo4D Keystep、Ego4D GoalStep、EgoPERのプロシージャ計画でVLMと構造化プランナーベースラインを破る。
  論文  参考訳（メタデータ） (2026-05-19T18:38:11Z)
• HIQL: Offline Goal-Conditioned RL with Latent States as Actions [81.67963770528753]
  オフラインデータからゴール条件付きRLの階層的アルゴリズムを提案する。 この階層的な分解によって、推定値関数のノイズに頑健になることを示す。 提案手法は,従来の手法を巧みに操り,高次元画像観察にスケールできるとともに,アクションフリーなデータを容易に利用することができる。
  論文  参考訳（メタデータ） (2023-07-22T00:17:36Z)

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。