論文の概要: PLaW-VLA: Predictive Latent World Modeling for Vision-Language-Action Policies

• arxiv url: http://arxiv.org/abs/2610.12285v1
• Date: Thu, 08 Oct 2026 16:41:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.18874
• Title: PLaW-VLA: Predictive Latent World Modeling for Vision-Language-Action Policies
• Title（参考訳）: PLaW-VLA:Vision-Language-Action Policiesの予測潜在世界モデリング
• Abstract要約: 本稿では,事前学習した予測指向表現空間におけるタスク関連将来の状態をモデル化するPLaW-VLAを提案する。 Mixture-of-Transformersアーキテクチャ上に構築されたPLaW-VLA条件は、観測履歴に基づいてアクション生成を行う。 実験では、RoboTwin Hard Horizon IIIの反応ポリシーよりも+11.8ポイント(pp)上昇している。
• 参考スコア（独自算出の注目度）: 24.471111069152045
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning to predict how the world evolves can provide vision-language-action (VLA) policies with predictive context for long-horizon control, but its effectiveness depends on what future representation is modeled and how it conditions action generation. We introduce PLaW-VLA, which models task-relevant future states in a pretrained prediction-oriented representation space, reducing the need to predict control-irrelevant visual details. Built on a Mixture-of-Transformers architecture, PLaW-VLA conditions action generation on observation history, current task semantics, and predicted future states through structured causal attention. Experiments show a +11.8 percentage-point (pp) gain over reactive policies on RoboTwin Hard Horizon III and a +1.77 pp gain over reconstruction-oriented latent prediction on zero-shot LIBERO-Plus, supporting improved long-horizon control and generalization under distribution shift, respectively. By avoiding low-level visual reconstruction, PLaW-VLA lowers the burden of future prediction, enabling a lightweight latent world model with parallel future prediction and about 1/19 the inference latency of generative world-action modeling at comparable policy performance.
• Abstract（参考訳）: 世界がどのように進化するかを予測するための学習は、長期制御のための予測コンテキストを備えた視覚言語アクション(VLA)ポリシーを提供するが、その効果は将来の表現のモデル化と行動生成の条件に依存する。 PLaW-VLAは、事前訓練された予測指向表現空間におけるタスク関連将来の状態をモデル化し、制御非関連な視覚的詳細を予測する必要性を減らす。 Mixture-of-Transformersアーキテクチャに基づいて構築されたPLaW-VLA条件は、観測履歴、現在のタスクセマンティクス、そして構造化因果注意による将来の状態を予測する。 実験では、RoboTwin Hard Horizon IIIの反応ポリシーよりも+11.8ポイント(pp)上昇し、0ショットLIBERO-Plusの再構成指向遅延予測よりも+1.77pp上昇した。 低レベルな視覚的再構成を避けることで、PLaW-VLAは将来の予測の負担を低減し、並列な将来予測を備えた軽量の潜在世界モデルと、同等のポリシー性能で生成された世界アクションモデリングの推論レイテンシーを約1/19で実現した。

関連論文リスト

• SLIP-VLA: Single-Step Latent Imagination for Policy Learning in Vision-Language-Action Models [16.7490265550198]
  SLIP-VLAは,将来的な行動予測のための単一ステップ遅延ImaginationをVLAモデルに装備する政策学習フレームワークである。 SLIP-VLAは様々なシミュレーションベンチマークや実世界の操作タスクにまたがって最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-09-27T13:53:29Z)
• AWM-VLA: AlignedWorld Modeling for Efficient and Explainable Vision-Language-Action Policies [24.745715007832953]
  AWM-VLAは拡散変圧器のポリシーに直接整列世界モデリングを組み込む。 RoboCasaとヒューマノイドテーブルトップ操作ベンチマークでは、AWM-VLAはVLA以前のベースラインとワールドモデルのベースラインを最大21%向上させる。
  論文  参考訳（メタデータ） (2026-08-15T04:25:57Z)
• 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)
• Learning Vision-Language-Action World Models for Autonomous Driving [15.103497388527943]
  VLA(Vision-Language-Action)モデルは最近、エンドツーエンドの自動運転において顕著な進歩を遂げている。 VLAモデルは時相力学と世界整合性の明示的なモデリングを欠いていることが多い。 VLA-World(VLA-World)は、予測的想像力と反射的推論を統一する、シンプルで効果的なVLA世界モデルである。
  論文  参考訳（メタデータ） (2026-04-10T07:38:05Z)
• 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)
• LaDi-WM: A Latent Diffusion-based World Model for Predictive Manipulation [45.02469804709771]
  拡散モデルを用いて将来の状態の潜伏空間を予測する世界モデルLaDi-WMを提案する。 LIBERO-LONGベンチマークでは,LaDi-WMが27.9%,現実シナリオでは20%,政策性能が著しく向上することを示した。
  論文  参考訳（メタデータ） (2025-05-13T04:42:14Z)

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。