論文の概要: Action Jets: Learning the Local Shape of the Action-conditioned Data Manifold

• arxiv url: http://arxiv.org/abs/2610.19007v1
• Date: Tue, 13 Oct 2026 18:06:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.73985
• Title: Action Jets: Learning the Local Shape of the Action-conditioned Data Manifold
• Title（参考訳）: Action Jets: アクション条件データマニフォールドの局所的な形状を学ぶ
• Abstract要約: 多くの行動条件付き予測モデルは高次元で計算コストである。 このコストは、現在の状況に関してのみローカル情報を必要とする、短い地平線上のプランナーにとって回避可能であることを示す。 実機7-DoF操作ベンチマークであるBridgeData V2のIRASimとWorldGym、DL3DVシーンのFrameCrafterなど、最先端の動作条件付きジェネレータに対して測定を行う。
• 参考スコア（独自算出の注目度）: 3.498861806885
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: World models are a powerful means of reasoning and planning, but many of these action-conditioned predictive models are high dimensional and computationally expensive. These challenges limit the number of action candidates that can be evaluated by a planner. We show that this cost is avoidable for planners over short horizons, which only require local information with respect to the current state. For a fixed state, the frames reachable by varying a low-dimensional action (a camera movement or an end-effector command) lie on a low-dimensional manifold. We estimate the local shape of that manifold directly via a network trained to estimate how each image region moves per unit of each action axis supervised by data collected from samples by the generator. A correction head fit to trajectory data estimates the shape of this manifold region up to a third-order Taylor polynomial. We call this network estimating the Taylor polynomial describing the manifold shape an Action Jet and compute its radius of validity in closed form. By traversing this approximation of the local manifold shape, we only have to perform inference once per state for any number of candidate actions. Scoring sixteen candidates from a single extraction is over 300x faster than with either source generator, and this gap widens with the number of candidates a planner evaluates. We measure against state-of-the-art action-conditioned generators, IRASim and WorldGym on BridgeData V2, a real 7-DoF manipulation benchmark, and FrameCrafter on DL3DV scenes, where we chart from the novel-view generators DepthSplat and LagerNVS. Because only the tangent comes from the generator and every other term from the data, the Action Jet also predicts held-out frames more accurately than IRASim, the generator that supplied its tangent, at short horizons and at over 100x less compute.
• Abstract（参考訳）: 世界モデルは推論と計画の強力な手段であるが、これらの行動条件付き予測モデルは高次元で計算コストが高い。 これらの課題は、プランナーが評価できるアクション候補の数を制限する。 このコストは、現在の状況に関してのみローカル情報を必要とする、短い地平線上のプランナーにとって回避可能であることを示す。 固定状態の場合、低次元の作用(カメラ運動またはエンドエフェクタ指令)を変化させて到達可能なフレームは、低次元多様体上に置かれる。 我々は,その多様体の局所的な形状をネットワークを介して直接推定し,サンプルから収集したデータによって教師される各アクション軸の単位ごとの画像領域がどのように動くかを推定する。 軌道データに適合する補正ヘッドは、この多様体領域の形状を3階テイラー多項式まで推定する。 このネットワークは、多様体をアクションジェットとして記述したテイラー多項式を推定し、その有効半径を閉形式で計算する。 局所多様体形状のこの近似をトラバースすることにより、任意の数の候補アクションに対して1つの状態に対して1回だけ推論を行う必要がある。 1つの抽出から16の候補を抽出すると、どちらのソースジェネレータよりも300倍以上高速になり、このギャップはプランナーが評価する候補数とともに拡大する。 我々は、最先端のアクションコンディションジェネレータ、実際の7-DoF操作ベンチマークであるBridgeData V2上のIRASimとWorldGym、DL3DVシーン上のFrameCrafterに対して測定を行い、新しいビュージェネレータであるDepthSplatとLagerNVSをグラフ化した。 タンジェントはジェネレータから来ているだけなので、Action Jetはそのタンジェントを短い地平線で100倍以上の計算量で供給するIRASimよりも正確に保持フレームを予測します。

関連論文リスト

• JtT: Rethinking Point Trajectory Diffusion for Diverse and Rigid Motion from an Image [67.09340259579761]
  単体画像からの剛体運動の予測について検討した。 我々のモデルであるJtTは座標空間で直接動作する単純な拡散変換器である。 モデルランキングは,モデルのサイズ,メートル法,停止時間にどのように依存するかを示し,より厳密なチェックポイント平均評価プロトコルを採用する。
  論文  参考訳（メタデータ） (2026-10-12T11:13:37Z)
• Hydra: A Navigation World Action Model with Discrete Latent Planning and Continuous Flow-Matching Execution [51.519325778407016]
  世界モデルは、ロボットが未来を想像することを可能にするが、リアルタイム制御にこの能力を活用することは、表現のミスアライメントによってボトルネックとなる。 我々は、このギャップを埋める個別のワールドアクションモデルであるHydraを紹介します。 Hydraは、目標指向の計画において最先端の世界モデルよりも優れており、主要なリアクティブ基盤ポリシーのクローズドループ実行能力にマッチまたは超越している。
  論文  参考訳（メタデータ） (2026-08-29T01:58:19Z)
• You Only Estimate Once: Unified, One-stage, Real-Time Category-level Articulated Object 6D Pose Estimation for Robotic Grasping [119.41166438439313]
  YOEOは、エンドツーエンドでインスタンスセグメンテーションとNPCS表現を出力する単一ステージのメソッドである。 我々は、統一ネットワークを使用してポイントワイズセマンティックラベルとセントロイドオフセットを生成し、同じパートインスタンスのポイントが同じセントロイドに投票できるようにする。 また,合成学習したモデルを実環境に展開し,200Hzでリアルタイムな視覚フィードバックを提供する。
  論文  参考訳（メタデータ） (2025-06-06T03:49:20Z)
• ConDaFormer: Disassembled Transformer with Local Structure Enhancement for 3D Point Cloud Understanding [105.98609765389895]
  トランスフォーマーは、最近3Dポイントクラウド理解のために研究されている。 0.1万を超える多数のポイントは、ポイントクラウドデータに対してグローバルな自己注意を可能にする。 本稿では,ConDaFormerという新しい変圧器ブロックを開発する。
  論文  参考訳（メタデータ） (2023-12-18T11:19:45Z)
• Temporal Action Localization with Enhanced Instant Discriminability [66.76095239972094]
  時間的行動検出(TAD)は、すべての行動境界とその対応するカテゴリを、トリミングされていないビデオで検出することを目的としている。 本稿では,既存の手法による動作境界の不正確な予測を解決するために,TriDetという一段階のフレームワークを提案する。 実験結果から,複数のTADデータセット上でのTriDetの堅牢性と最先端性能が示された。
  論文  参考訳（メタデータ） (2023-09-11T16:17:50Z)
• SACReg: Scene-Agnostic Coordinate Regression for Visual Localization [16.866303169903237]
  本稿では,新しいテストシーンで1回トレーニングされた一般化SCRモデルを提案する。 我々のモデルは、シーン座標をネットワーク重みに符号化する代わりに、スパース2Dピクセルのデータベースイメージを3D座標アノテーションに入力する。 画像のデータベース表現とその2D-3Dアノテーションは,局所化性能を損なうことなく,高度に圧縮できることを示す。
  論文  参考訳（メタデータ） (2023-07-21T16:56:36Z)
• PlaneDepth: Self-supervised Depth Estimation via Orthogonal Planes [41.517947010531074]
  複数の前頭平行面に基づく深度推定は、自己教師付き単眼深度推定(MDE)において顕著な結果を示した 本研究では,垂直面と接地面を含む新しい平面ベースプレゼンテーションであるPlaneDepthを提案する。 本手法は, 自律走行において重要な, 教師なしの方法で地上面を抽出することができる。
  論文  参考訳（メタデータ） (2022-10-04T13:51:59Z)
• From Planes to Corners: Multi-Purpose Primitive Detection in Unorganized 3D Point Clouds [59.98665358527686]
  直交平面の分割自由結合推定法を提案する。 このような統合されたシーン探索は、セマンティックプレーンの検出や局所的およびグローバルなスキャンアライメントといった、多目的のアプリケーションを可能にする。 本実験は,壁面検出から6次元トラッキングに至るまで,様々なシナリオにおいて,我々のアプローチの有効性を実証するものである。
  論文  参考訳（メタデータ） (2020-01-21T06:51:47Z)
• Plane Pair Matching for Efficient 3D View Registration [7.920114031312631]
  室内シーンにおける重なり合う3次元ビュー間の動き行列を推定する新しい手法を提案する。 マンハッタンの世界仮定を用いて、平面の四角形の下での軽量な幾何学的制約を問題に導入する。 我々は,玩具の例にアプローチを検証し,最近の最先端手法と比較し,公開RGB-Dデータセットの定量的実験を行った。
  論文  参考訳（メタデータ） (2020-01-20T11:15:26Z)

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。