論文の概要: AnyGoal: On World Model Generalization Beyond Expert Rollouts
- arxiv url: http://arxiv.org/abs/2610.26844v1
- Date: Mon, 19 Oct 2026 17:59:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 00:53:59.378414
- Title: AnyGoal: On World Model Generalization Beyond Expert Rollouts
- Title（参考訳）: AnyGoal: 専門家のロールアウトを超えた世界モデルの一般化
- Abstract要約: 本研究では,データカバレッジ,動的一般化,下流計画性能の関係について検討する。
我々は、広く使われている世界モデル環境から構築されたゴールシフトタスクのバリエーションのベンチマークであるAnyGoalを紹介する。
現在のモデルは、これらの組換えによる失敗を一貫して示している。
- 参考スコア（独自算出の注目度）: 21.56690107929585
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The goal of a world model is to capture the dynamics of an environment. This has the great appeal that it allows agents to plan and simulate a course of actions with the help of a world model. For these uses to be reliable, however, the learned dynamics must behave well beyond the specific state-action combinations observed in expert rollouts. Despite this, the relationship between data coverage, dynamics generalization, and downstream planning performance remains underexplored. We study this relationship through the lens of compositional generalization: can a world model recombine familiar state and action factors into valid dynamics? To answer this, we introduce AnyGoal, a benchmark of goal-shifted task variants built from widely used world-model environments, together with an open-source library. Each task is designed to be within reach of a world model that has learned the underlying dynamics: individual state factors and actions remain within their training support, but their combinations are underrepresented in expert trajectories. Across multiple environments and world model families, we find that current models consistently exhibit failures under these recombinations. By examining dynamics and representation failures across model families, interaction regimes, and evaluation metrics, we study where current world models generalize and where challenges remain for goal-shifted prediction and planning. Together, this framework, benchmark, and analysis provide a basis for evaluating progress toward world models that generalize to new planning tasks.
- Abstract（参考訳）: 世界モデルの目標は、環境のダイナミクスを捉えることである。
これは、エージェントが世界モデルの助けを借りて行動コースを計画し、シミュレートできるという大きな魅力を持っている。
しかし、これらの使用が信頼できるためには、学習されたダイナミクスは専門家のロールアウトで観察される特定の状態-動作の組み合わせを超えてうまく振る舞う必要がある。
それにもかかわらず、データカバレッジ、ダイナミクスの一般化、下流計画のパフォーマンスの関係は未定である。
我々は、この関係を構成的一般化のレンズを通して研究し、世界モデルが親しみやすい状態と行動因子を有効動力学に再結合できるか?
これに対応するために、AnyGoalを紹介します。AnyGoalは、広く使われているワールドモデル環境とオープンソースのライブラリから構築されたゴールシフトタスクのバリエーションのベンチマークです。
各タスクは、基礎となるダイナミクスを学習した世界モデルの範囲内に設計されている。個々の状態要因とアクションはトレーニングサポート内に留まるが、それらの組み合わせは専門家の軌道では表現されていない。
複数の環境と世界モデルファミリーにまたがって、現在のモデルはこれらの組換えの下で一貫して失敗を示す。
モデルファミリ,インタラクション体制,評価指標のダイナミクスと表現障害を調べることで,現在の世界モデルが一般化する場所と,目標シフトした予測と計画の課題について検討する。
このフレームワーク、ベンチマーク、分析は、新しい計画タスクに一般化する世界モデルに向けた進捗を評価する基盤となる。
関連論文リスト
- From World Action Models to Embodied Brains: A Roadmap for Open-World Physical Intelligence [54.62791372989525]
アクションモデル、ビジョン言語-アクションポリシー、世界モデルは、この目標を前進させた。
世界行動モデル(WAM)は、候補者の介入と予測された結果とを結びつけるため、特に有望である。
我々は、WAMへの進化をレビューし、これらの制限をモデルの役割と表現、目的と標準化、システム構成という3つの組み合わせのギャップにまとめる。
論文 参考訳（メタデータ） (2026-07-13T15:22:56Z) - Learning Task-Sufficient World Models by Synergizing Agentic Exploration and Structured Modeling [44.18914219393549]
エージェントは、タスク固有の、最小限の、意思決定に十分な表現を持つ世界モデルを学ぶことができるかを検討する。
エージェントとワールドモデル間の閉ループシナジーによりこれを実現できる。
論文 参考訳（メタデータ） (2026-07-05T17:02:40Z) - World Action Models: The Next Frontier in Embodied AI [123.5787299299832]
VLA(Vision-Language-Action)モデルは、具体的政策学習のための強力なセマンティックな一般化を実現している。
彼らは、物理的な世界が介入の下でどのように進化するかを明示的にモデル化することなく、リアクティブな観察から行動へのマッピングを学ぶ。
成長するこの制限には、世界モデル、環境ダイナミクスの予測モデル、アクション生成パイプラインを統合することで対処する。
論文 参考訳（メタデータ） (2026-05-12T13:10:52Z) - The Trinity of Consistency as a Defining Principle for General World Models [106.16462830681452]
一般世界モデルは、客観的物理法則を学習し、シミュレートし、推論することができる。
本稿では,一般世界モデルに必要な基本的特性を定義するための理論的枠組みを提案する。
我々の研究は、現在のシステムの限界と将来の進歩のためのアーキテクチャ要件の両方を明確にし、一般的な世界モデルへの原則的な経路を確立します。
論文 参考訳（メタデータ） (2026-02-26T16:15:55Z) - Research on World Models Is Not Merely Injecting World Knowledge into Specific Tasks [43.59401259468559]
我々は、ロバストな世界モデルは、能力の緩やかな集まりではなく、相互作用、知覚、象徴的推論、空間的表現を一体的に組み込んだ規範的な枠組みであるべきだと主張する。
この研究は、未来の研究を世界のより一般的で堅牢で原則化されたモデルへと導くことを目的としている。
論文 参考訳（メタデータ） (2026-02-02T04:42:44Z) - SmallWorlds: Assessing Dynamics Understanding of World Models in Isolated Environments [15.243547292947397]
我々はSmallWorld Benchmarkを紹介した。これは、分離された、正確に制御された動的条件下での世界モデル能力を評価するために設計されたテストベッドである。
我々は、Recurrent State Space Model、Transformer、Diffusion Model、Neural ODEなどの代表的アーキテクチャ上で、完全に観測可能な状態空間で包括的な実験を行う。
実験結果から, これらのモデルが環境構造を効果的に把握し, ロールアウトによる予測がいかに悪化するかが明らかになった。
論文 参考訳（メタデータ） (2025-11-28T18:56:02Z) - Object-Centric World Models for Causality-Aware Reinforcement Learning [13.063093054280946]
カルーサリティ対応強化学習(ASTICA)を用いたEmph Transformer Imaginationを提案する。
オブジェクト中心のトランスフォーマーが世界モデルおよび因果対応ポリシーおよびバリューネットワークとして機能する統合フレームワーク。
オブジェクトリッチベンチマークの実験では、STICAはサンプル効率と最終性能の両方において、最先端のエージェントよりも一貫して優れていた。
論文 参考訳（メタデータ） (2025-11-18T08:53:09Z) - A Step Toward World Models: A Survey on Robotic Manipulation [58.8419978790227]
本稿では,ロボット操作の手法のレビューを通じて,世界モデルのコア機能を示すアプローチについて考察する。
我々は、認識、予測、制御にまたがる役割を分析し、主要な課題と解決策を特定し、完全に実現された世界モデルが持つべきコアコンポーネント、能力、機能を蒸留する。
論文 参考訳（メタデータ） (2025-10-31T00:57:24Z) - ExoPredicator: Learning Abstract Models of Dynamic Worlds for Robot Planning [77.49815848173613]
本研究では,内因性行動とメカニズムの両方について,シンボル的状態表現と因果過程を共同で学習する抽象世界モデルのためのフレームワークを提案する。
シミュレーションされた5つのテーブルトップロボット環境の中で、学習されたモデルは、より多くのオブジェクトとより複雑な目標を持つ保留タスクに一般化した高速な計画を可能にし、幅広いベースラインを上回ります。
論文 参考訳（メタデータ） (2025-09-30T13:44:34Z) - Goal-Aware Prediction: Learning to Model What Matters [105.43098326577434]
学習した前進力学モデルを使用する際の根本的な課題の1つは、学習したモデルの目的と下流のプランナーやポリシーの目標とのミスマッチである。
本稿では,タスク関連情報への直接的予測を提案し,そのモデルが現在のタスクを認識し,状態空間の関連量のみをモデル化することを奨励する。
提案手法は,目標条件付きシーンの関連部分を効果的にモデル化し,その結果,標準タスク非依存のダイナミックスモデルやモデルレス強化学習より優れていることがわかった。
論文 参考訳（メタデータ） (2020-07-14T16:42:59Z)
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。