論文の概要: RAP-WAM: Learning World-Action Models through Predictive Rehearsal and Action Perturbations

• arxiv url: http://arxiv.org/abs/2610.16443v2
• Date: Thu, 15 Oct 2026 05:05:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:15.893058
• Title: RAP-WAM: Learning World-Action Models through Predictive Rehearsal and Action Perturbations
• Title（参考訳）: RAP-WAM:予測的リハーサルと行動摂動による世界行動モデル学習
• Abstract要約: RAP-WAMは、パーターブとアクション摂動(RAP)と将来の生成とクエリを組み合わせた、ポリシー学習のための結合されたアクション投影(Coupled Action Projection)である。 予測的リハーサルは、記録された目標を保持しながらモデル生成入力を訓練し、繰り返し発生するエラーを空間的事前に蓄積する。 個別のスコアリングネットワークやデプロイメントタイムプローブは不要である。
• 参考スコア（独自算出の注目度）: 45.16816691251336
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent world action models draw on video generation priors to jointly predict future observations and robot actions. Adapting these priors to control requires determining how future predictions should guide policy learning. RAP-WAM combines predictive Rehearsal and Action Perturbations (RAP) with future-supervised queries and Coupled Action Projection for policy learning. Predictive rehearsal trains on model-generated inputs while retaining recorded targets, and accumulates recurring errors into a spatial prior. We perturb actions and measure changes in video predictions. Action-response-based spatiotemporal credit assignment combines these responses, prediction error, and the rehearsal prior to allocate visual supervision; spatially aggregating the responses determines supervision intensity across future action steps. No separate scoring network or deployment-time probe is required. The base learns from a video-pretrained backbone without intermediate pretraining on external embodied data. We evaluate the fixed base and its agent-refined, task-conditioned system. On 42 RoboDojo tasks, their average success rates are 12.85% and 15.62%, with Scores of 17.86 and 20.59. Across 15 real-robot tasks, the complete system achieves 89.00% task-macro-average success, exceeding the strongest of five baselines by 37.67 percentage points. Across 315 fixed-output simulation windows, 45.21% of response-top20 positions fall outside error-top20, revealing information beyond prediction error. Videos and further details are available on the project website: https://rapwam.github.io/.
• Abstract（参考訳）: 最近の世界行動モデルは、将来の観測とロボットのアクションを共同で予測するために、ビデオ生成に先立つ。 これらの優先順位を制御に適応するには、将来の予測が政策学習をどのように導くべきかを決定する必要がある。 RAP-WAMは、予測リハーサルとアクション摂動(RAP)と将来の教師付きクエリと、ポリシー学習のための結合アクション投影を組み合わせる。 予測的リハーサルは、記録された目標を保持しながらモデル生成入力を訓練し、繰り返し発生するエラーを空間的事前に蓄積する。 ビデオ予測における行動の摂動と変化を計測する。 アクション応答に基づく時空間クレジット割り当ては、これらの応答、予測誤差、そして視覚的監督を割り当てる前のリハーサルを組み合わせる。 個別のスコアリングネットワークやデプロイメントタイムプローブは不要である。 ベースは、外部の具体的データに基づいて中間的な事前訓練をすることなく、ビデオ事前学習されたバックボーンから学習する。 固定ベースとそのエージェント精製されたタスク条件付きシステムを評価する。 42のRoboDojoタスクでは、平均的な成功率は12.85%と15.62%であり、スコアは17.86と20.59である。 15の実際のロボットタスクで、全システムは89.00%のタスク・マクロ平均成功を達成し、5つのベースラインを37.67ポイント超えた。 315の固定出力シミュレーションウィンドウで、応答トップ20の45.21%がエラートップ20の外に落ち、予測エラー以外の情報を明らかにする。 ビデオと詳細はプロジェクトのWebサイト(https://rapwam.github.io/)で見ることができる。

関連論文リスト

• RSI-Anything: Unlocking Recursive Self-Improvement with World Models [76.79361510862277]
  RSI-AnythingはJEPA-Anything上に構築されたドメイン・ジェネラル・フレームワークである。 予測ワールドモデルを使用して、アクションと学習データの選択をガイドする。 コード修復では、コーダーが固定され、静的検証器で成功率は26.3%から予測選択により29.2%に増加する。
  論文  参考訳（メタデータ） (2026-10-09T17:50:30Z)
• Unifying Policy Learning and State Prediction through Spatial Language Modeling [52.172884936392535]
  本研究では,シーンの輪郭,目標,行動目標,将来の状態を個別座標と意味トークンの共通語彙で表現する空間言語モデリングを提案する。 タスク固有の文法はこれらの要素を空間配列に整理し、1つの自己回帰変換器が行動生成と行動条件付き状態予測を学習できるようにする。 ランダム・プレイ・トランジション・プレトレーニングを駆使してモデルをスクラッチからトレーニングし、その後、専門家によるデモンストレーションで共同動作と状態トレーニングを行う。
  論文  参考訳（メタデータ） (2026-10-08T15:43:08Z)
• Achieve What You Imagined: Learning to Align Actions with Visual Plans [37.7412146305617]
  世界行動モデルは、将来の視覚的な観察とロボットのアクションを共同で予測することができる。 視覚的予測と、生成された行動によって引き起こされる結果の間には、相違がある可能性がある。 我々は、フリーズされた行動条件付き世界モデルを用いて、行動条件付き結果の予測とフィードバックの構築を行う。
  論文  参考訳（メタデータ） (2026-09-27T18:32:40Z)
• Task-Oriented Active Learning of Residual Dynamics for Model Predictive Path Integral Control [5.732100803651168]
  本稿では,モデル予測経路積分制御(MPPI)のためのアクティブラーニング基準であるタスク指向情報獲得(ToIA)を紹介する。 TOIAは、ロールアウトの早い段階で得られた観測値が、同じロールアウトの後の状態における予測の不確実性を減少させると見積もっている。 ToIAは、不均質な地形を持つホールトアウトマップ間のオフロードナビゲーションをシミュレートし、受動GP学習よりも目標達成の成功率を改善した。
  論文  参考訳（メタデータ） (2026-09-16T19:56:31Z)
• 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)
• GE-Act 2.0: Pretraining and Scaling a World-Action Model for Robotic Manipulation [63.853929983870955]
  本稿では,ジェニー・エンスペクタ法 2.0 (GE-Act 2.0) について紹介する。 制御指向オートエンコーダ(CoAE)、ワンステップビジュアルプランナー(SVP)、逆ダイナミクスモデル(IDM)を組み合わせている。 それらのコンポーネントは、知識に整合した選択最適化(KASO)で共同で訓練され、記録された行動に適合していると判断された予測された未来のみを選択することで、ミスマッチした監視を減らす。
  論文  参考訳（メタデータ） (2026-09-04T17:16:48Z)
• Foresight Without Seeing: Latent Futures for World Action Models [31.423405133926334]
  本稿では,動的条件付き直接政治WAMであるForeWAMを提案する。 また、凍結した潜伏行動教師が指導するダイナミクスを導入し、物体の動きや接触変化、タスクの進行といった相互作用によって引き起こされる遷移を、暗黙の未来の状態が捉えることを奨励する。 ロボットデータの事前トレーニングがなければ、ForeWAMの標準版と加速版は平均96.7%、LIBEROは96.9%である。
  論文  参考訳（メタデータ） (2026-08-12T03:27:43Z)
• VEDIT: Latent Prediction Architecture For Procedural Video Representation Learning [59.68917139718813]
  そこで本研究では,市販の冷凍型ビジュアルエンコーダを用いて,予測および手続き計画において,最先端(SoTA)の性能を達成可能であることを示す。 観察されたステップから凍結したクリップレベルの埋め込みを条件付けて、目に見えないステップの動作を予測することで、予測のための堅牢な表現を学習することができる。
  論文  参考訳（メタデータ） (2024-10-04T14:52:09Z)
• Valeo4Cast: A Modular Approach to End-to-End Forecasting [93.86257326005726]
  我々のソリューションはArgoverse 2 end-to-end Forecasting Challengeで63.82 mAPfでランクインした。 私たちは、知覚から予測までエンドツーエンドのトレーニングを通じて、このタスクに取り組む現在のトレンドから離れ、代わりにモジュラーアプローチを使用します。 私たちは、昨年の優勝者より+17.1ポイント、今年の優勝者より+13.3ポイント、予測結果を+17.1ポイント上回る。
  論文  参考訳（メタデータ） (2024-06-12T11:50:51Z)

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。