論文の概要: G$^2$WAM: World Action Models for Efficient and Geometry Grounded Image-Goal Navigation
- arxiv url: http://arxiv.org/abs/2610.16558v1
- Date: Mon, 12 Oct 2026 10:36:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.359867
- Title: G$^2$WAM: World Action Models for Efficient and Geometry Grounded Image-Goal Navigation
- Title（参考訳）: G$^2$WAM:高効率・幾何グラウンド画像-ゴールナビゲーションのための世界行動モデル
- Abstract要約: 画像ゴールナビゲーションのためのGeometry Grounded World Action Model (G$2$WAM)を提案する。
G$2$WAMは、学習されたシーン座標のローカライゼーションモジュールを通して空間的キューを符号化する。
将来の状態と動作を共同で予測し、コストのかかるクロスエントロピー(CEM)スタイルの計画の必要性を排除します。
- 参考スコア（独自算出の注目度）: 16.70636320968166
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: World models capture environment dynamics and support counterfactual reasoning for planning. In image-goal navigation, where the target often lies beyond the current field of view, the agent must not only model environmental dynamics but also maintain a persistent spatial memory of the scene. Existing approaches either introduce spatial context by fine-tuning pretrained models on the target task, which underexploits their spatial priors, or rely on external 3D reconstruction, which is computationally expensive for real-world deployment. In this paper, we propose the Geometry Grounded World Action Model (G$^2$WAM) for image-goal navigation. G$^2$WAM encodes spatial cues through a learned scene-coordinate localization module that anchors the current, goal, and history frames in a common reference frame, yielding a stable and consistent spatial context that enables efficient navigation without explicit 3D reconstruction. Following the world-action-model paradigm, G$^2$WAM jointly predicts future states and actions, eliminating the need for costly cross-entropy method (CEM) style planning. In addition, G$^2$WAM operates entirely in latent space, avoiding the computational burden of pixel-level reconstruction and substantially reducing inference cost. Across four trajectory prediction benchmarks, G$^2$WAM reduces average ATE and RPE by 40.1% and 35.2%, respectively. In closed-loop navigation experiments, it improves the success rate from 54.0% to 63.0% and the success weighted by path length (SPL) from 36.4% to 59.2%, while maintaining high efficiency.
- Abstract（参考訳）: 世界モデルは環境力学を捉え、計画のための反現実的推論をサポートする。
イメージゴールナビゲーションでは、ターゲットが現在の視野を越えている場合、エージェントは環境力学をモデル化するだけでなく、シーンの永続的な空間記憶も維持しなければならない。
既存のアプローチでは、未学習のモデルを目標タスクに微調整することで空間的コンテキストを導入するか、外部の3D再構成に頼っている。
本稿では,画像ゴールナビゲーションのためのジオメトリグラウンドドワールドアクションモデル(G$^2$WAM)を提案する。
G$^2$WAMは、現在の、ゴール、歴史フレームを共通の参照フレームに固定する学習シーンコーディネートなローカライゼーションモジュールを通じて空間的キューを符号化し、空間的コンテキストを安定させ、明示的な3D再構成なしに効率的なナビゲーションを可能にする。
世界行動モデルパラダイムに従い、G$^2$WAMは将来の状態と動作を共同で予測し、コストのかかるクロスエントロピー法(CEM)スタイルの計画の必要性を排除した。
さらに、G$^2$WAMは、ピクセルレベルの再構成の計算負担を回避し、推論コストを大幅に削減する。
4つの軌道予測ベンチマークで、G$^2$WAM は平均 ATE と RPE をそれぞれ 40.1% と 35.2% 削減する。
クローズドループナビゲーション実験では54.0%から63.0%に改善され、パス長(SPL)が36.4%から59.2%に増加し、高い効率を維持している。
関連論文リスト
- LRC-JEPA: Disentangling Dynamics and Residual Context for Efficient World Models [7.568664163065148]
報酬のない自己超越の下で訓練された低次元表現は、アクション条件付き力学と予測可能な視覚コンテキストの両方をエンコードする必要がある。
LRC-JEPAは、情報をコンパクトな予測潜水器にルーティングする軽量なエンド・ツー・エンド・ワールドモデルである。
結果の表現は十分で、最小限で、ニュアンス不変であり、非絡み合っていることを示す。
論文 参考訳（メタデータ） (2026-09-28T05:48:14Z) - FIRM-WM: State-factorized factual-interventional recurrent modeling for reward-free visual planning [13.397292182667117]
潜在世界モデルは、オフラインビデオから学び、予測された潜在未来を通してアクションを最適化することで、新たなイメージゴールタスクを解決できる。
この設定では、計画状態に対する2つの要求がある。
FIRM-WMは,この2つのギャップを軸としたコンパクトな画素世界モデルである。
論文 参考訳（メタデータ） (2026-09-19T06:32:56Z) - GPU-Accelerated Astrodynamics World Models for Spacecraft Rendezvous and Proximity Operations [21.666726162280696]
本稿では,協力的・非協力的な宇宙船ランデブーと近接操作に対する世界モデルに基づくアプローチを提案する。
まず、JAXベースのISSドッキング環境を導入し、宇宙船軌道の並列GPUシミュレーションと姿勢ダイナミクスをサポートする。
第2に,トランスフォーマーをベースとした世界モデルであるOut-of-This-World-Modelを導入する。
第3に、ISSと自律ドッキングするカプセルへのアプローチをゾーン制限下で適用し、サンプル効率とタスク性能の向上を実証する。
論文 参考訳（メタデータ） (2026-09-02T18:39:40Z) - 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) - Latent World Models with Monotone Planning Costs for Image-Goal Navigation [11.421277609989302]
凍結したDINOファミリーエンコーダ上に構築された潜在世界モデルを提案し,それを2つの相補的目的で訓練する。
自動回帰的なロールアウト損失は、トレーニングとマルチステッププランニングロールアウトの間のギャップを減少させる。
モノトーンコストランキング(MCR)の損失は、より混乱したアクションシーケンスを直接的に促進し、より高い計画コストを受け取る。
論文 参考訳（メタデータ） (2026-08-10T03:23:26Z) - LiAuto-GeoX: Efficient Grounded Driving Transformer [54.23823436153608]
デプロイ可能なエゴ中心の3Dシーン理解のための効率的な基底駆動トランスフォーマである textbfLiAuto-GeoX を提案する。
textbfLiAuto-GeoX は KITTI 上で 220 FPS で動作し,高忠実度高密度化を保ち,リアルタイムな展開を実現している。
論文 参考訳（メタデータ） (2026-06-04T06:58:44Z) - GaussianDream: A Feed-Forward 3D Gaussian World Model for Robotic Manipulation [54.671815855499034]
視覚言語アクション(VLA)ポリシーは、セマンティック先行をアクション生成に転送することで、言語条件のロボット操作を進化させた。
標準的な行動模倣学習は、しばしば明示的な3次元空間情報、密集した幾何学的監督、将来の環境進化の十分なモデリングを欠いている。
フィードフォワード3Dガウス世界モデルプラグインである textbfGaussianDream を提案する。
論文 参考訳（メタデータ） (2026-05-20T05:51:30Z) - STARRY: Spatial-Temporal Action-Centric World Modeling for Robotic Manipulation [30.24537271257149]
STARRYは、空間的時間的予測と行動生成を整合させる世界モデル強化アクションジェネレーションポリシーである。
RoboTwin 2.0では、クリーンでランダムな設定で平均93.82% / 93.30%の成功を達成した。
これらの結果は,ロボット操作の空間的・時間的要求に対する行動中心型時空間世界モデリングの有効性を示す。
論文 参考訳（メタデータ） (2026-04-29T16:13:39Z) - SpatialFly: Geometry-Guided Representation Alignment for UAV Vision-and-Language Navigation in Urban Environments [49.966170814478915]
UAV VLNのための幾何学誘導空間表現フレームワークを提案する。
明示的な3次元再構成を伴わないRGB観測において、SpatialFlyは幾何学誘導2次元表示アライメント機構を導入する。
実験結果から、SpatialFlyは現状のUAV VLNベースラインを目に見える環境と見えない環境の両方で一貫して上回っていることが明らかとなった。
論文 参考訳（メタデータ） (2026-03-22T03:56:58Z) - From Spatial to Actions: Grounding Vision-Language-Action Model in Spatial Foundation Priors [54.84863164684646]
既存の視覚言語アクション(VLA)モデルは3Dの現実世界で機能するが、通常は2Dエンコーダ上に構築される。
本研究では,アクションヘッドにリッチな3次元空間トークンを注入する新しいパラダイムであるFALCONを紹介する。
論文 参考訳（メタデータ） (2025-10-20T11:26:45Z) - An Efficient Occupancy World Model via Decoupled Dynamic Flow and Image-assisted Training [50.71892161377806]
DFIT-OccWorldは、分離されたダイナミックフローとイメージアシストトレーニング戦略を活用する、効率的な3D占有世界モデルである。
提案モデルでは, 静止ボクセルはポーズ変換により容易に得られるのに対し, 既存のボクセルフローを用いて既存の観測を歪曲することで, 将来のダイナミックボクセルを予測できる。
論文 参考訳（メタデータ） (2024-12-18T12:10:33Z)
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。