論文の概要: Remembering What Matters for Long-Horizon Robotic World Models

• arxiv url: http://arxiv.org/abs/2610.14583v1
• Date: Sat, 10 Oct 2026 05:01:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 12:49:17.539542
• Title: Remembering What Matters for Long-Horizon Robotic World Models
• Title（参考訳）: 長軸ロボット世界モデルで何が重要か
• Abstract要約: ReCAP(Receding Context with Anchor Preservation)は、長距離ロボットビデオワールドモデルのためのトレーニング不要なコンテキストスケジューリング手法である。 凍結自己回帰世界モデルを用いてRT-1,BridgeV2,LIBERO-90,CALVIN上のReCAPを評価する。
• 参考スコア（独自算出の注目度）: 64.28254560014945
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autoregressive robot video world models based on discrete visual tokens remain unreliable over long rollout horizons. Retaining the entire generated history does not necessarily improve prediction quality. We investigate a possible memory-role conflict in Full Context decoding: persistent scene information, recent visual-action states, and stale generated history compete for attention despite their different predictive roles. This perspective motivates ReCAP (Receding Context with Anchor Preservation), a training-free context-scheduling method for long-horizon robot video world models. ReCAP keeps the pretrained tokenizer, world model, and visual decoder frozen. It preserves the initial scene anchor and a contiguous window of recent complete visual-action blocks while evicting older generated history. The schedule preserves within-block structure and temporal order, requires no additional modules or parameter updates, and bounds active-context growth independently of rollout length. We evaluate ReCAP on RT-1, BridgeV2, LIBERO-90, and CALVIN using frozen autoregressive world models. Across evaluated environments and horizons, ReCAP improves visual fidelity, action-conditioned consistency, and robot structure preservation relative to Full Context. On BridgeV2, it reduces LPIPS by 63.3%. In the system benchmark at H=64, it reduces the logical KV footprint by 73.3% and p50 latency by 6.51%. Attention analyses show increased attention to retained recent states, while history interventions associate larger amounts of stale context with higher prediction error. These observations are consistent with the memory-role-conflict hypothesis, although they do not isolate it from context-length and position-handling effects. Our results support inference-time context scheduling as a practical approach to improving long-horizon robot video prediction and computational efficiency without retraining.
• Abstract（参考訳）: 離散的な視覚トークンに基づく自己回帰型ロボットビデオワールドモデルは、長いロールアウト地平線上では信頼できないままである。 生成された履歴全体を保持することは、必ずしも予測品質を向上するとは限らない。 連続的なシーン情報、最近の視覚行動状態、そして古い生成履歴は、異なる予測的役割にもかかわらず、注意を競う。 この視点はReCAP(Receding Context with Anchor Preservation)を動機付けている。 ReCAPは、事前訓練されたトークンライザ、ワールドモデル、およびビジュアルデコーダを凍結し続ける。 初期のシーンアンカーと最近の完全なビジュアルアクションブロックの連続したウィンドウを保存し、古い生成された履歴を消去する。 スケジュールはブロック内の構造と時間順を保存し、追加のモジュールやパラメータの更新を必要としない。 凍結自己回帰世界モデルを用いてRT-1,BridgeV2,LIBERO-90,CALVIN上のReCAPを評価する。 評価された環境と地平線全体にわたって、ReCAPはフルコンテキストに対する視覚的忠実度、行動条件整合性、ロボット構造保存を改善している。 BridgeV2ではLPIPSを63.3%削減する。 H=64のシステムベンチマークでは、論理的なKVフットプリントを73.3%、p50レイテンシを6.51%削減している。 注意分析は、最近の状態に注意を向ける一方で、歴史介入は、大量の古いコンテキストと高い予測誤差を関連付ける。 これらの観測はメモリ・ロール・コンフリクト仮説と一致しているが、文脈長や位置処理の影響から分離していない。 本研究は,長期ロボット映像の予測と計算効率を改善するための実践的アプローチとして,推論時コンテキストスケジューリングを支援する。

関連論文リスト

• MESSENGER: Memory-Enhanced Sequential Scene Flow Estimation via Autoregressive Next-Frame Forecasting [47.30618864601053]
  動的シナリオにおいて、シーンフローは低レベルな3次元運動変位をキャプチャすることができる。 Messengerは、メモリ強化されたシーケンシャルなシーンフローパイプラインである。 Messenger は EPE3D を nuScenes で71.6%減らし、Argoverse 2 で67.7%減らした。
  論文  参考訳（メタデータ） (2026-10-07T18:23:30Z)
• Self Gradient Forcing: Native Long Video Extrapolation [60.00513917489133]
  自己グラディエント強制は、歴史的文脈-段階的ギャップを回復する。 コードとモデルがリリースされ、自動回帰ビデオ生成の研究が進められる。
  論文  参考訳（メタデータ） (2026-07-22T16:59:23Z)
• Mem-World: Memory-Augmented Action-Conditioned World Models for Persistent Robot Manipulation [55.42006264038458]
  アクション条件付き世界モデルは、ロボット学習の有望なパラダイムとして登場した。 Mem-Worldはメモリ拡張されたマルチビューアクション条件の世界モデルである。 W-VMemは4次元手首ビュー中心のサーベイルインデクシングメモリで、歴史的観測を時間的に変化する表面要素に固定する。
  論文  参考訳（メタデータ） (2026-06-17T11:42:00Z)
• Robust Dreamer: Deviation-Aware Latent Gaussian Memory for Action-Controlled AR Video Generation [89.70897512515477]
  アクション制御された画像対ビデオ生成は、インタラクティブな世界シミュレーションにおいて有望なパラダイムであり、各制御信号が即時視覚応答を誘発する。 長時間の自己回帰的なロールアウトに対する視覚的忠実さと3D一貫性を維持することは依然として難しい。 既存の3D認識手法は、textitLatent--RGB Cyclingからの情報損失と、textiterror-free仮説によって引き起こされるトレーニング-推論ギャップという2つの障害により、破滅的なドリフトに悩まされることが多い。 textbfRobust Dreamerという,メモリ拡張フレームワークについて紹介する。
  論文  参考訳（メタデータ） (2026-05-29T05:21:33Z)

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。