論文の概要: When Do Discrete Actions Make Good Continuous Controllers?

• arxiv url: http://arxiv.org/abs/2610.20429v1
• Date: Wed, 14 Oct 2026 16:20:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.250041
• Title: When Do Discrete Actions Make Good Continuous Controllers?
• Title（参考訳）: 離散アクションはいつ、優れた継続的コントローラになるのか?
• Abstract要約: LLMのような現代のAIモデルは離散トークンを予測するが、今日のロボット基盤モデルはアクションを連続ベクトルとして表現している。 我々は、連続ポリシーと離散ポリシーの両方の単段階回帰と多段階フローの変動を広範囲に比較する。 離散的なアクション予測は、最も単純で均一な量子化でさえ、タスクの成功率で連続的なアクションポリシーにマッチしたり、性能を上回ります。
• 参考スコア（独自算出の注目度）: 31.341539865901677
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Though modern AI models like LLMs predict discrete tokens, today's robotic foundation models represent actions as continuous vectors. In this paper, we challenge this common consensus by asking if continuous action parametrizations are superior to their discrete counterparts. We conduct an extensive comparison of single-step regression and multi-step flow variants of both continuous and discrete policies in both from-scratch single-task and multi-task VLA training, in both simulation and on real hardware. In all regimes, we find that discrete action prediction, even the most naive, uniform-bin quantization, can match or even outperform continuous-action policies in task success rate. Moreover, we find that the challenge to discrete action policies is \emph{not} action precision, but rather factorization error introduced by product-distribution predictions across time and action dimensions. We show that, when paired with the correct interventions---iterative computation through discrete flows, or distribution sharpening through classifier-free guidance---discrete flow policies can turn this weakness into a strength, enabling more responsive action changes during a predicted action chunk. Lastly, we show that attempts to explicitly inject geometric information into discrete policies, e.g. through corruption processes that emulate continuous flow matching, do \emph{not} yield consistent improvements. Taken together, our findings question existing assumptions that robotic action prediction requires distinct design decisions compared to other AI domains, and motivates the possibility of discrete action prediction as a compelling alternative to today's continuous action parametrizations. Link for the webpage \href{https://iscoyizj.github.io/discrete-action-website/}{https://iscoyizj.github.io/discrete-action-website/}
• Abstract（参考訳）: LLMのような現代のAIモデルは離散トークンを予測するが、今日のロボット基盤モデルはアクションを連続ベクトルとして表現している。 本稿では、連続的な行動パラメトリゼーションが個々の行動よりも優れているかどうかを問うことで、この共通コンセンサスに挑戦する。 シミュレーションと実ハードウェアの両方において、シングルタスクとマルチタスクのVLAトレーニングの両方において、連続的および離散的なポリシーの1ステップ回帰とマルチステップフローの変動を広範囲に比較する。 すべての体制において、最も単純で均一な量子化でさえ、離散的な行動予測は、タスク成功率において連続的な行動ポリシーにマッチしたり、上回ったりすることさえできる。 さらに, 離散的行動ポリシーの課題は, 行動精度ではなく, 時間と行動次元をまたいだ製品分布予測によって生じる分解誤差であることがわかった。 そこで本研究では, 離散フローによる定性的な計算, あるいは, 分類自由誘導による分布のシャープ化など, 適切な介入と組み合わせた場合, 離散フローポリシーは, この弱点を強みにし, 予測されたアクションチャンク中のより応答性のある動作変化を可能にすることを示す。 最後に、例えば連続フローマッチングをエミュレートする汚職過程を通じて、幾何学的情報を個別のポリシーに明示的に注入しようとする試みは、一貫した改善をもたらすことを示す。 我々の研究結果は、ロボットアクション予測が他のAIドメインと異なる設計決定を必要とするという既存の仮定に疑問を呈し、今日の継続的なアクションパラメトリゼーションに代わる魅力的な代替手段として、離散アクション予測の可能性を動機付けている。 link for the webpage \href{https://iscoyizj.github.io/discrete-action-website/}{https://iscoyizj.github.io/discrete-action-website/}

関連論文リスト

• Behavior-Aligned Action Tokenization for Robot Policy Learning [9.37360970873363]
  自己回帰型ロボットポリシーは、観察から個別のアクショントークンを予測することによって、継続的な制御を学習する。 本研究では,対応する動作チャンクを選択し,その量子化座標を再構成とともに整列させる行動適応型行動トークン化(BAAT)を提案する。 履歴条件付き拡散復号器はこれらのトークンから連続的なアクションチャンクを再構成し、下流の自己回帰ポリシーはそれらを予測することを学ぶ。
  論文  参考訳（メタデータ） (2026-09-23T08:12:03Z)
• JEPA Policy: Diffusion-Free Imitation Learning via Paired Action and Future Representation Prediction [6.889062419237111]
  JEPA Policyは、アクションチャンクとその観測された将来の表現をペア化されたトレーニングターゲットとして使用する、拡散のないフレームワークである。 将来の予測は、アクションを生成するために使われる表現を形作ることができる。 その結果、反復的な生成サンプリングを伴わない低遅延ビズモータ模倣に対する実践的なアプローチとして、ペア・フューチャー・リ表現の監視を支援する。
  論文  参考訳（メタデータ） (2026-09-09T02:42:20Z)
• Large Discrete Policy: Advancing Explicit Behavior Modeling with Stochastic Iterative Scoring [77.17706435067372]
  大規模ポリシー(LDiP)は、物理的に妥当な候補の大きな語彙から行動を選択する、完全に独立した行動モデリングフレームワークである。 摂動作用ではなく、LDiPは反復的なスコアリングによって表現性を向上する。 エンド・ツー・エンドの計画、クローズドループ・ドライブ、ロボット操作、ビジョン・ランゲージ・アクション・セッティングを通じて、LDiPは強い離散的かつ連続的なベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-09-07T05:12:52Z)
• ContextFlow: In-Context Flow Matching for Robot Manipulation [91.60992853468242]
  本研究では,コンテキスト内模倣学習のための連続的な動作分布を学習する条件付きフローマッチングモデルであるContextFlowを紹介する。 LIBEROでは、ContextFlowがICRTを35パーセント上回っている。 実際のロボットでは、シングルアームとバイマニュアルの両方のタスクの見当たらない構成に一般化し、新しいペンアンカッピング構成で40%の成功を達成している。
  論文  参考訳（メタデータ） (2026-09-06T21:53:58Z)
• From Imagined Futures to Executable Actions: Mixture of Latent Actions for Robot Manipulation [88.39072412680633]
  将来の映像を実行可能な表現に変換する制御指向インタフェースであるMoLAを提案する。 我々は,シミュレーションベンチマークと実世界のロボット操作タスクに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2026-05-12T14:15:16Z)
• HiFlow: Tokenization-Free Scale-Wise Autoregressive Policy Learning via Flow Matching [11.405254375363818]
  階層フロー政策(Hierarchical Flow Policy)は、トークン化のない粗大な自己回帰政策である。 HiFlowは、単純な時間プーリングを通じて、各アクションチャンクからマルチスケールの連続的なアクションターゲットを構築する。 MimicGen、RoboTwin 2.0、および実環境の実験は、HiFlowが既存のメソッドを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2026-03-28T14:22:58Z)
• PPGuide: Steering Diffusion Policies with Performance Predictive Guidance [28.698103923760172]
  PPGuideは、事前訓練された拡散ポリシーを、推論時に障害モードから切り離す。 注意ベースのマルチインスタンス学習を使用して、ポリシーのロールアウトからどの観察-アクションチャンクが成功か失敗かを自動的に見積もる。 提案したPPGuideを,RobomimicベンチマークとMimicGenベンチマークから,さまざまなタスクセットで検証した。
  論文  参考訳（メタデータ） (2026-03-11T17:10:16Z)
• Primary-Fine Decoupling for Action Generation in Robotic Imitation [91.2899765310853]
  ロボット操作動作シーケンスにおけるマルチモーダル分布は、模倣学習にとって重要な課題である。 PF-DAG(プライマリ・フィン・デカップリング・フォー・アクション・ジェネレーション、プライマリ・フィン・デカップリング・フォー・アクション・ジェネレーション、プライマリ・フィン・デカップリング・フォー・アクション・ジェネレーション、プライマリ・フィン・デカップリング・フォー・アクション・ジェネレーション、プライマリ・フィン・デカップリング・フォー・アクション・ジェネレーション、プライマリ・フィン・デカップリング・フォー・アクション・ジェネレーション、PF-DAG)を提案する。 PF-DAGは、Adroit、DexArt、MetaWorldベンチマークの56タスクで最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-02-25T08:36:45Z)
• Bidirectional Decoding: Improving Action Chunking via Guided Test-Time Sampling [51.38330727868982]
  動作チャンキングが学習者と実証者の間の分岐にどのように影響するかを示す。 動作チャンキングをクローズドループ適応でブリッジするテスト時間推論アルゴリズムである双方向デコーディング(BID)を提案する。 提案手法は、7つのシミュレーションベンチマークと2つの実世界のタスクにまたがって、最先端の2つの生成ポリシーの性能を向上させる。
  論文  参考訳（メタデータ） (2024-08-30T15:39:34Z)

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。