論文の概要: SkipWorld: Latent Skip Planning with Distilled World Models for Efficient Visual Navigation
- arxiv url: http://arxiv.org/abs/2610.18135v1
- Date: Tue, 13 Oct 2026 10:44:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-17 07:15:13.973479
- Title: SkipWorld: Latent Skip Planning with Distilled World Models for Efficient Visual Navigation
- Title（参考訳）: SkipWorld: 効率的なビジュアルナビゲーションのための拡張ワールドモデルによる遅延スキップ計画
- Abstract要約: そこで我々は,効率的な視覚ナビゲーションのための遅延スキップ計画フレームワークであるSkipWorldを提案する。
SkipWorld は平均 ATE を 4.2% 、 RPE を 2.7% 削減し、計画時間を 2.7 倍のスピードアップで62.4% 削減している。
RECON、HuRoN、SCAND、TartanDriveの実験では、NWMと比較して、SkipWorldは平均ATEを4.2%、RPEを2.7%削減し、計画時間を62.4%削減し、2.7倍のスピードアップを実現している。
- 参考スコア（独自算出の注目度）: 15.988708910882181
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: World-model-based visual navigation enables action planning by predicting future states under candidate trajectories. However, long-horizon rollout remains challenging: models are often trained with ground-truth visual histories but deployed in closed-loop prediction, and evaluating many candidates with step-by-step rollout is computationally expensive. We propose SkipWorld, a latent skip planning framework for efficient visual navigation. SkipWorld introduces three components: (i) Latent AutoRoll, which trains a world model to recursively roll out future states in latent space, reducing the mismatch between training and closed-loop inference; (ii) SkipDistill, which distills the latent autoregressive model into a skip world model that directly predicts long-stride future latent states; and (iii) Skip-then-Refine Planning, a dual-model coarse-to-fine planner that first filters candidate trajectories with the skip model and then reranks selected candidates with the stronger autoregressive model. This design preserves accurate trajectory evaluation while reducing redundant rollout computation. Experiments on RECON, HuRoN, SCAND, and TartanDrive show that, compared with NWM, SkipWorld reduces the average ATE by 4.2% and RPE by 2.7%, while decreasing planning time by 62.4% with a 2.7-fold speedup.
- Abstract（参考訳）: World-model-based visual navigationは、将来の状態を予測することで行動計画を可能にする。
しかし、長い水平方向のロールアウトは依然として困難なままであり、モデルはしばしば地道的なビジュアルヒストリーで訓練されるが、クローズドループ予測で展開され、ステップバイステップのロールアウトで多くの候補を評価するのは計算コストがかかる。
そこで我々は,効率的な視覚ナビゲーションのための遅延スキップ計画フレームワークであるSkipWorldを提案する。
SkipWorldは3つのコンポーネントを紹介している。
一 潜航空間における将来の状態を再帰的にロールアウトするよう世界モデルを訓練し、訓練と閉ループ推論のミスマッチを低減させる潜航オートロール
二 長期の将来の潜伏状態を直接予測するスキップワールドモデルに潜伏自己回帰モデルを蒸留するSkipDistill
三 二重モデル粗大プランナーで、まず、候補軌跡をスキップモデルでフィルタリングし、選択候補をより強い自己回帰モデルで再選する。
この設計は、冗長なロールアウト計算を低減しつつ、正確な軌道評価を保っている。
RECON、HuRoN、SCAND、TartanDriveの実験では、NWMと比較して、SkipWorldは平均ATEを4.2%、RPEを2.7%削減し、計画時間を62.4%削減し、2.7倍のスピードアップを実現している。
関連論文リスト
- How Long, Not How Close: A Learned Temporal Metric for Planning in Latent World Models [23.18450291649438]
本研究では,世界モデルに手を加えることなく,時間的距離計画の目的であるTEMPOを提案する。
TEMPOは、エピソードの2つの状態間の距離がそれらの間の環境ステップの数を反映する凍結潜伏状態の小さなマップを学習する。
報酬、ポリシー、成功ラベルは必要とせず、モデルよりもコストがかかるので、1状態当たり1つの潜伏ベクトルを持つ冷凍世界モデルに適用できる。
論文 参考訳（メタデータ） (2026-10-04T06:15:22Z) - Beyond a single latent space: a dual-latent world model for long-horizon planning [31.266841567526324]
本稿では,局所実行と長距離計画を分離したDual-Latent World Model(Dual-WM)を紹介する。
低レベルモデルは行動条件の遷移を予測し、高レベルモデルは学習されたマクロアクションを使用して、より長い時間的スパンを計画する。
我々は,5つの目標条件付き視覚制御タスクに対して,アクター誘導による提案を伴わずに,タスクワイドなベースラインに対してDual-WMを評価する。
論文 参考訳（メタデータ） (2026-09-29T14:12:33Z) - LeFlow: Generative Latent Flow Planning for World Models [25.440423602180278]
本稿では,世界モデルから潜在力学空間を直接操作する前に,再利用可能な潜在軌道を学習するLeFlowについて述べる。
4つの主要なゴール条件付きピクセル制御ベンチマークの中で、LeFlowは反復的なアクション空間最適化を償却された潜在計画に置き換えている。
我々の研究結果は、潜在世界モデルは予測だけでなく、再利用可能な計画事前をサポートするべきだと主張している。
論文 参考訳（メタデータ） (2026-08-25T17:42:30Z) - SparseWorld: Enhancing End-to-End Autonomous Driving via World Models with Sparse Scene Representation [13.699319434868483]
本稿では,シーンの重要レイアウトのみを予測する軽量な世界モデルであるSparseWorldを紹介する。
SparseWorldは衝突のリスクを大幅に低減し、nuScenesデータセットのオープンループ計画メトリクスにおける最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-05-23T02:30:33Z) - MAPLE: Latent Multi-Agent Play for End-to-End Autonomous Driving [62.43744546817599]
視覚言語-アクション(VLA)モデルは、エンドツーエンドのモーションプランナーとして有効であるが、クローズドループ設定で評価すると不安定である。
本稿では, VLAモデルの潜在空間における動的駆動シナリオの, リアクティブでマルチエージェントなロールアウトのための新しいフレームワークMAPLEを提案する。
MAPLEはBench2Driveで最先端の駆動性能を実現し、堅牢なE2E自動運転システムのためのスケーラブルでクローズループなマルチエージェントプレイを実演する。
論文 参考訳（メタデータ） (2026-05-13T23:35:14Z) - LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling [74.94985663101906]
本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワーク LeapTSを提案する。
LeapTSは、Transformerベースのモデルよりも2.6$times$から5.3$times$推論スピードアップを実現しつつ、全体的な予測性能を少なくとも7.4%向上させる。
論文 参考訳（メタデータ） (2026-05-11T09:54:02Z) - Predictive but Not Plannable: RC-aux for Latent World Models [44.63243875072762]
到達可能性補正補助(RC-aux)
本稿では,このミスマッチに対する軽量な補正法であるReachability-Correctionssisted (RC-aux)を提案する。
RC-auxは世界モデルのバックボーンを変更せず、2つの軸に沿って計画に沿った監督を追加する。
論文 参考訳（メタデータ） (2026-05-08T05:43:33Z) - 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) - Planning with Adaptive World Models for Autonomous Driving [50.4439896514353]
マルチエージェントインタラクションをキャプチャする実世界のモーションプランニングベンチマークであるnuPlanを提案する。
我々は、グラフ畳み込みニューラルネットワーク(GCNN)であるBehaviorNetを用いて、このようなユニークな振る舞いをモデル化することを学ぶ。
また、モデル予測制御(MPC)ベースのプランナであるAdaptiveDriverについても紹介する。
論文 参考訳（メタデータ） (2024-06-15T18:53:45Z) - Plan2Vec: Unsupervised Representation Learning by Latent Plans [106.37274654231659]
Plan2vecは、強化学習にインスパイアされた教師なしの表現学習手法である。
Plan2vecは、近距離を用いて画像データセット上に重み付きグラフを構築し、その局所距離を、計画された経路上の経路積分を蒸留することによって、大域的な埋め込みに外挿する。
1つのシミュレーションと2つの実世界の画像データセットに対する Plan2vec の有効性を実証する。
論文 参考訳（メタデータ） (2020-05-07T17:52:23Z)
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。