論文の概要: OneLA: Learning Many Worlds from Latent Actions

• arxiv url: http://arxiv.org/abs/2610.20160v1
• Date: Wed, 14 Oct 2026 13:14:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.16802
• Title: OneLA: Learning Many Worlds from Latent Actions
• Title（参考訳）: OneLA: 潜伏行動から多くの世界を学ぶ
• Abstract要約: OneLAは、共有辞書と共通の予測目標を通じて、継続的な潜伏アクションを学ぶフレームワークである。 潜在アクションとカーレンタルの視覚状態に基づいて、世界モデルは制御可能なロールアウトのためのコンテキスト依存の遷移を予測する。
• 参考スコア（独自算出の注目度）: 14.357753542945268
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning world models across diverse domains calls for a unified control space, yet ac- tion interfaces vary across domains and action annotations are often scarce. Latent ac- tions learned directly from videos offer a promising way to establish such a space without explicit action supervision. However, learning shared latent actions across domains re- mains challenging, as variations in appearance, embodiment, and dynamics can entangle domain-specific visual cues with transferable transition structure. To this end, we intro- duce OneLA, a simple framework that learns continuous latent actions through a shared orthogonal dictionary and a common predictive objective, without task-specific designs or cross-domain alignment losses during latent action pretraining. These latent actions pro- vide a shared conditioning interface for world models, with lightweight adapters mapping native control commands into the same space. Conditioned on latent actions and the cur- rent visual state, the world model predicts context-dependent transitions for controllable rollout. OneLA improves action readout across domains and reduces action cycle-transfer rotation error by 24.8% over the strongest evaluated baseline. A joint-training comparison further shows a 20.5% improvement in Human Preference Score v3 (HPSv3) for real- scene generation. These results suggest a path toward general-purpose world models that learn from diverse videos and support flexible control through latent action space.
• Abstract（参考訳）: さまざまなドメインにわたる世界モデルの学習には統一的なコントロールスペースが必要だが、ac-tionインターフェースはドメインによって異なり、アクションアノテーションは少ないことが多い。 ビデオから直接学んだ潜在的アクオンは、明示的な行動監督なしにそのような空間を確立するための有望な方法を提供する。 しかしながら、ドメイン間の共用的なアクションの学習は、外観、体格、ダイナミクスのバリエーションが、転送可能な遷移構造でドメイン固有の視覚的手がかりを絡み合わせることができるため、ドメイン間での遅延アクションの共有は困難である。 そこで我々は,タスク固有の設計やドメイン間アライメントの損失を伴わずに,共有直交辞書と共通予測目的を通じて連続潜時動作を学習するシンプルなフレームワークであるOneLAを試作した。 これらの潜在アクションは、ネイティブコントロールコマンドを同じスペースにマッピングする軽量アダプタを備えた、世界モデルの共有コンディショニングインターフェースを擁護する。 潜在アクションとカーレンタルの視覚状態に基づいて、世界モデルは制御可能なロールアウトのためのコンテキスト依存の遷移を予測する。 OneLAは、ドメイン間のアクションの読み出しを改善し、最も評価の高いベースラインに対して、アクションサイクル・トランスファーの回転誤差を24.8%削減する。 共同学習の比較では、実際のシーン生成のためのHPSv3(Human Preference Score v3)が20.5%改善されている。 これらの結果は、多様なビデオから学習し、潜在アクション空間を通じて柔軟な制御をサポートする汎用世界モデルへの道のりを示唆している。

関連論文リスト

• HEAT: Heterogeneous End-to-End Autonomous Driving via Trajectory-Guided World Models [50.18051979020699]
  エンドツーエンドの自動運転は、従来のモジュラーパイプラインに代わる魅力的な代替手段として登場した。 本稿では,計画軌道に関する学習を組織する軌道駆動学習パラダイムを提案する。 一つの統一モデルが、各ドメイン内で強いパフォーマンスを維持しながら、異種データセット上でトレーニング可能であることを示す。
  論文  参考訳（メタデータ） (2026-05-19T10:12:01Z)
• SCAR: Self-Supervised Continuous Action Representation Learning [36.917304453471864]
  視覚的遷移から具現化された動作表現を学習するための共同逆フォワード動的フレームワークであるSCARを提案する。 事前訓練された生成バックボーン上に構築されたSCARは、逆ダイナミクスモデル(IDM)を使用して、潜時観測ペアから潜時動作を推論し、フォワードダイナミクスモデル(FDM)を用いて、それらに条件付けられた将来のダイナミクスを予測する。 Procgen と Robotwin のデータセットの実験により、学習された統合潜在行動表現は、具体化固有の生の行動よりも、世界モデリングのためのより強い条件付けインターフェースとして機能することが示された。
  論文  参考訳（メタデータ） (2026-05-13T16:23:11Z)
• SG-VLA: Learning Spatially-Grounded Vision-Language-Action Models for Mobile Manipulation [43.77409401429281]
  VLA(Vision-Language-Action)モデルは、ロボット制御の可能性を秘めているが、複雑な家庭環境におけるパフォーマンスは、まだ準最適である。 モバイル操作には、グローバルなシーンレイアウト、きめ細かい形状、高次元連続的な動作の推論が必要である。 知覚と表現を強化する空間的接地型VLAモデルの学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-24T03:44:25Z)
• Olaf-World: Orienting Latent Actions for Video World Modeling [100.96069208914957]
  アクションコントロール可能な世界モデルのスケーリングは、アクションラベルの不足によって制限される。 大規模受動的ビデオから行動条件付きビデオワールドモデルを事前訓練するパイプラインであるOraf-Worldを紹介する。
  論文  参考訳（メタデータ） (2026-02-10T18:58:41Z)
• Latent Action World Models for Control with Unlabeled Trajectories [8.965084673299858]
  我々は異種データから学習する世界モデルを研究する。 我々は,アクション条件付きおよびアクションフリーなデータを共同で使用する潜在アクション世界モデル群を紹介する。
  論文  参考訳（メタデータ） (2025-12-10T19:09:45Z)
• Dita: Scaling Diffusion Transformer for Generalist Vision-Language-Action Policy [73.75271615101754]
  本稿では,Transformerアーキテクチャを活用した拡張性のあるフレームワークであるDitaについて紹介する。 Ditaはコンテキスト内コンディショニング(context conditioning)を採用しており、歴史的観察から生の視覚トークンと識別されたアクションをきめ細やかなアライメントを可能にする。 Ditaは、さまざまなカメラパースペクティブ、観察シーン、タスク、アクションスペースの横断的なデータセットを効果的に統合する。
  論文  参考訳（メタデータ） (2025-03-25T15:19:56Z)
• Diffusion Transformer Policy [48.50988753948537]
  本稿では,拡散変圧器ポリシー(Diffusion Transformer Policy)と呼ばれる多モード拡散変圧器を提案し,連続的なエンドエフェクタ動作をモデル化する。 トランスのスケーリング機能を活用することで、提案手法は、多種多様なロボットデータセットにわたる継続的エンドエフェクタアクションを効果的にモデル化することができる。
  論文  参考訳（メタデータ） (2024-10-21T12:43:54Z)

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。