論文の概要: Event-Aligned Visual Action Reasoning for World Action Models

• arxiv url: http://arxiv.org/abs/2610.09427v1
• Date: Wed, 07 Oct 2026 04:31:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.717165
• Title: Event-Aligned Visual Action Reasoning for World Action Models
• Title（参考訳）: 世界行動モデルのためのイベントアライメント型視覚行動推論
• Abstract要約: World-Action Models (WAM) は、未来の視覚予測を中間的推論プロセスとして利用して行動生成を誘導する。 我々は、効果的な視覚的監視は、タスク関連相互作用とその対応する推論要求と直接一致すべきであると主張する。 インタラクションイベントに関する視覚行動予測を整理する,イベント整列型視覚行動推論フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 38.479839839195556
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: World-Action Models (WAMs) utilize future visual prediction as an intermediate reasoning process to guide action generation. However, existing WAMs typically structure visual imagination according to predefined temporal intervals, without explicitly accounting for the different roles of task-critical interactions and connecting transitions. We argue that effective visual foresight should align directly with task-relevant interactions and their corresponding reasoning demands. To this end, we introduce an event-aligned visual action reasoning framework that organizes visual-action prediction around interaction events. Through event-aligned visual-action supervision, WAM learns to generate event-aligned visual context in each imagined rollout, placing greater emphasis on critical state changes that inform action generation. This shapes the visual reasoning granularity according to the underlying interaction dynamics, with detailed reasoning around task-critical events and coarser progression through connecting transitions. Furthermore, we introduce an execution validity head that identifies the valid portion of each predicted action sequence, avoiding redundant actions during chunked inference. Experiments demonstrate a 10.26 percentage point improvement in DOMINO success rate over baseline and competitive performance on RoboTwin 2.0. It also transfers from DOMINO Level 1 to Levels 2 and 3 without target-level adaptation.
• Abstract（参考訳）: World-Action Models (WAM) は、未来の視覚予測を中間的推論プロセスとして利用して行動生成を誘導する。 しかし、既存のWAMは、タスククリティカルな相互作用と接続遷移の異なる役割を明示的に考慮することなく、予め定義された時間間隔に従って視覚的想像力を構築するのが一般的である。 我々は、効果的な視覚的監視は、タスク関連相互作用とその対応する推論要求と直接一致すべきであると主張する。 この目的のために,インタラクションイベントに関する視覚行動予測を整理するイベント整合型視覚行動推論フレームワークを導入する。 イベントアラインな視覚行動監視を通じて、WAMは、想定されたロールアウト毎にイベントアラインな視覚コンテキストを生成することを学び、アクション生成を通知する重要な状態変化に重点を置く。 これは、基本的な相互作用のダイナミクスに従って視覚的推論の粒度を形成し、タスククリティカルなイベントに関する詳細な推論と、接続トランジションによる粗い進行を関連付ける。 さらに、予測された各アクションシーケンスの有効部分を識別する実行検証ヘッドを導入し、チャンクされた推論中の冗長なアクションを回避する。 実験では、DOMINOの成功率がベースラインよりも10.26ポイント向上し、RoboTwin 2.0上での競争性能が向上した。 また、DOMINOレベル1からレベル2、レベル3にターゲットレベル適応なしで転送する。

関連論文リスト

• Learning Skills from Historical Action Trajectories: Action Experience Dictionary for World Action Models [129.76412745258145]
  World Action Models(WAM)は、視覚力学予測とアクション生成を結合するが、操作タスク間のアクションエクスペリエンスの再利用を明示的にサポートしていない。 本研究では,歴史的行動軌跡を共有行動埋め込みにエンコードするアクション体験辞書(AED)を開発した。 シミュレーション・ベンチマークと実世界のクロス・エボディメント・セッティングの実験により,AEDの有効性が検証された。
  論文  参考訳（メタデータ） (2026-09-30T17:26:38Z)
• UniMPA: A Unified Memory-Prediction-Action Model via Action-Grounded Transition Modeling [73.35395707747456]
  ビジョン・ランゲージ・アクションモデルの最近の進歩はロボット操作を改善しているが、基本的な遷移実現可能性のギャップによって観察・行動学習は制限されている。 将来の観測は、物理的に実現可能な遷移と必ずしも一致しない。 歴史的に実行可能なアクションパターンは、現在のシーンにおける意図した遷移を必ずしも認識しない可能性があるため、コンテキスト対応の適応が必要である。
  論文  参考訳（メタデータ） (2026-09-10T17:45:03Z)
• A Causality-aware Infer-diagnose-refine Framework for Test-time Modality Adaptation in VLA Models [16.665710235622214]
  Infer-diagnose-refine (IDR) フレームワークを提案する。 IDRはまず、視覚観察の事実的シナリオと反事実的シナリオの下でのアクションを推論し、視覚観察の因果効果を推定された動的重要性として診断する。 シミュレーションベンチマークと実世界のタスクの両方の実験では、複数のVLAバックボーン全体のパフォーマンスが改善されている。
  論文  参考訳（メタデータ） (2026-07-28T09:56:42Z)
• ForgeDrive: Bidirectional Cross-Conditioning for Unified Visual-Action Generation in Autonomous Driving [12.68658021226119]
  本稿では,ビジュアルアクション・クロスコンディショニングを備えた自動回帰拡散フレームワークForgeDriveを紹介する。 ForgeDriveは、運転シミュレーション、計画、視覚計測を単一のモデルに統合するだけでなく、訓練後の戦略を使わずに既存の強力なプランナーよりも優れています。
  論文  参考訳（メタデータ） (2026-06-30T07:05:48Z)
• \textsc{NaVIDA}: Vision-Language Navigation with Inverse Dynamics Augmentation [50.027425808733994]
  textscNaVIDAは、ポリシー学習とアクショングラウンドの視覚力学と適応実行を結合した統合VLNフレームワークである。 textscNaVIDAは、チャンクベースの逆ダイナミクスによるトレーニングを強化し、視覚変化と対応するアクションの因果関係を学習する。 実験の結果,textscNaVIDAはパラメータが少ない最先端の手法に比べてナビゲーション性能が優れていることがわかった。
  論文  参考訳（メタデータ） (2026-01-26T06:16:17Z)
• Enhancing Asynchronous Time Series Forecasting with Contrastive Relational Inference [21.51753838306655]
  時間点プロセス(TPP)は、そのようなモデリングの標準的な方法である。 既存のTPPモデルは、イベントの相互作用を明示的にモデル化する代わりに、将来のイベントの条件分布に焦点を当てており、イベント予測の課題を示唆している。 本稿では,ニューラル推論(NRI)を利用して,観測データから動的パターンを同時に学習しながら,相互作用を推論するグラフを学習する手法を提案する。
  論文  参考訳（メタデータ） (2023-09-06T09:47:03Z)
• Self-Regulated Learning for Egocentric Video Activity Anticipation [147.9783215348252]
  自己制御学習(SRL)は、中間表現を連続的に制御し、現在のタイムスタンプのフレームにおける新しい情報を強調する表現を作り出すことを目的としている。 SRLは2つのエゴセントリックなビデオデータセットと2つの第三者のビデオデータセットにおいて、既存の最先端技術よりも大幅に優れています。
  論文  参考訳（メタデータ） (2021-11-23T03:29:18Z)

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。