論文の概要: PLaCA: Learning Patch-Level Future Latent Change for Action Generation
- arxiv url: http://arxiv.org/abs/2610.27657v1
- Date: Tue, 20 Oct 2026 05:15:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.661438
- Title: PLaCA: Learning Patch-Level Future Latent Change for Action Generation
- Title（参考訳）: PLaCA: アクション生成のためのパッチレベルの将来的変化を学習する
- Abstract要約: PLaCAは,今後の潜在的変化を軸として構築されたワールド・ツー・アクション・フレームワークである。
PLaCAは、現在のマルチモーダル入力から空間的に構造化されたパッチレベルの将来の潜時変化を直接予測する。
LIBERO-Longの実験では、PLaCAは79.0%の成功率を獲得し、アクションのみのベースラインを5.0ポイント改善している。
- 参考スコア（独自算出の注目度）: 17.266163582804374
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Vision-Language-Action (VLA) models generate robot actions from visual observations and language instructions, but effective manipulation also requires anticipating how the environment will change. Existing world-action models explore future image prediction and latent dynamics modeling. However, generating complete future images can be computationally expensive, while highly compressed latent representations may obscure local changes. To address these challenges, we propose PLaCA, a world-to-action framework built around future latent change. PLaCA directly predicts spatially structured patch-level future latent change from the current multimodal input, preserving local information about expected environmental changes. We introduce patch-level change-aware supervision to emphasize regions undergoing larger changes and a future-to-action interface that explicitly incorporates predicted future latent change into action generation. Experiments on LIBERO-Long show that PLaCA achieves a 79.0% success rate, improving upon the Action-only baseline by 5.0 percentage points. On CALVIN, PLaCA improves the average sequence length from 2.784 to 3.564. These improvements are achieved while updating only 2.95% of the model parameters during the second training stage, demonstrating the effectiveness of future latent change modeling for downstream robotic manipulation.
- Abstract（参考訳）: VLA(Vision-Language-Action)モデルは、視覚的な観察と言語指示からロボットアクションを生成するが、効果的な操作には環境の変化を予測する必要がある。
既存の世界行動モデルは将来の画像予測と潜在力学モデリングを探索する。
しかし、完全な将来の画像を生成するには計算コストがかかるが、高度に圧縮された潜在表現は局所的な変化を曖昧にすることができる。
これらの課題に対処するため,我々は,今後の潜伏的変化を軸として構築されたワールド・ツー・アクション・フレームワークであるPLaCAを提案する。
PLaCAは、現在のマルチモーダル入力から空間的に構造化されたパッチレベルの将来の潜伏変化を直接予測し、予測される環境変化に関するローカル情報を保存する。
パッチレベルの変更対応の監視を導入し、より大きな変更を行う地域を強調するとともに、将来予想されるアクション生成の潜伏変化を明示的に組み込む未来のインタフェースを導入する。
LIBERO-Longの実験では、PLaCAは79.0%の成功率を獲得し、アクションのみのベースラインを5.0ポイント改善している。
CALVINでは、PLaCAは平均配列長を2.784から3.564に改善する。
これらの改善は、第2のトレーニング段階でモデルパラメータの2.95%しか更新せずに達成され、下流ロボット操作における遅延変化モデリングの有効性が実証された。
関連論文リスト
- ΔWAM: Distilling Action Tangent Fields into World Action Models [11.54670987758521]
世界行動モデル(WAM)は、より密集した将来の予測でスパースアクションの監督を強化することで、ロボットポリシーを改善する。
我々は、光学フロー、動き中心表現、潜時動作を含む最近のWAM設計が共通の視点から理解可能であることを観察した。
本稿では,アクション・タンジェント・フィールズ(Action Tangent Fields)について紹介する。
論文 参考訳（メタデータ） (2026-10-07T09:28:26Z) - FutureWorlds: Learning Robotic World Models from Alternative Futures [63.860917821424955]
FutureWorldsは、候補構築、履歴の保守、相対的な品質からの学習を統合するフレームワークである。
マルチモーダルな離散自己回帰モデルに基づいて構築されたFutureWorldsは、強化学習中に多様なビームサーチを使用して、信頼性と多様性のバランスをとる候補となる未来を構築する。
論文 参考訳（メタデータ） (2026-10-01T04:04:31Z) - SLIP-VLA: Single-Step Latent Imagination for Policy Learning in Vision-Language-Action Models [16.7490265550198]
SLIP-VLAは,将来的な行動予測のための単一ステップ遅延ImaginationをVLAモデルに装備する政策学習フレームワークである。
SLIP-VLAは様々なシミュレーションベンチマークや実世界の操作タスクにまたがって最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2026-09-27T13:53:29Z) - UniMPA: A Unified Memory-Prediction-Action Model via Action-Grounded Transition Modeling [73.35395707747456]
ビジョン・ランゲージ・アクションモデルの最近の進歩はロボット操作を改善しているが、基本的な遷移実現可能性のギャップによって観察・行動学習は制限されている。
将来の観測は、物理的に実現可能な遷移と必ずしも一致しない。
歴史的に実行可能なアクションパターンは、現在のシーンにおける意図した遷移を必ずしも認識しない可能性があるため、コンテキスト対応の適応が必要である。
論文 参考訳（メタデータ） (2026-09-10T17:45:03Z) - SLIM-0.5B: Learning Action-Grounded Predictive Latents for Robot Manipulation [35.54319311306262]
SLIM はコンパクトな潜在相互作用ポリシーである。
自己教師付きマスク付き軌道予測を通じて表現を学習する。
SLIMは、より少ないパラメータで、大規模なVLAとワールドアクションモデルベースラインとを一致または超える。
論文 参考訳（メタデータ） (2026-08-10T15:58:39Z) - JEPA-WAM: Learning Vision-Language-Action Policies with Joint-Embedding World Modeling [23.76460420882974]
我々は,事前訓練されたV-JEPA空間に構築された潜水型WAMであるJEPA-WAMを紹介する。
遅延遷移予測と、共有予測器による連続的なアクション生成を結合する。
LIBERO-Plusでは、JEPA-WAMは79.2%を達成し、大規模なロボット政策の事前訓練を行わない最も良い結果となった。
論文 参考訳（メタデータ） (2026-08-10T09:57:54Z) - LaWAM: Latent World Action Models for Efficient Dynamics-Aware Robot Policies [31.88655699486955]
ラワント・アクション条件付きラワント・ワールドモデル(LaWM)を提案する。
LaWAMは、将来のビデオの再構成ではなく、コンパクトで潜伏した視覚サブゴールを通じて、ロボットポリシーに対する予測ダイナミクスを公開する。
LaWAMはアクションチャンク予測あたり187msで動作し、画素空間のWAMよりも最大24倍の遅延時間を実現する。
論文 参考訳（メタデータ） (2026-06-14T12:06:58Z) - LatentPilot: Scene-Aware Vision-and-Language Navigation by Dreaming Ahead with Latent Visual Reasoning [51.969318585152116]
LatentPilotは、トレーニング中の将来の観察を貴重なデータソースとして利用して、アクション条件付きビジュアルダイナミクスを学習する。
そこで本稿では,フライホイール方式のトレーニング機構を提案する。これは,道路上の軌道を反復的に収集し,エージェントの行動分布に適合するようにモデルを再訓練する。
R2R-CE、RxR-CE、R2R-PEベンチマークの実験では新たなSOTA結果が得られた。
論文 参考訳（メタデータ） (2026-03-31T02:21:59Z) - GigaWorld-Policy: An Efficient Action-Centered World--Action Model [50.107640832046464]
GigaWorld-Policyはアクション中心のWAMで、2Dピクセルアクションのダイナミクスを学習し、オプションのビデオ生成で効率的なアクションデコーディングを可能にする。
実世界のロボットプラットフォームでの実験結果によると、GigaWorld-Policyは主要なWAMベースラインであるMotusの9倍高速で動作する。
論文 参考訳（メタデータ） (2026-03-18T00:52:02Z) - AdaOcc: Adaptive Forward View Transformation and Flow Modeling for 3D Occupancy and Flow Prediction [56.72301849123049]
CVPR 2024 における nuScenes Open-Occ データセットチャレンジにおいて,視覚中心の3次元活動とフロー予測トラックのソリューションを提案する。
我々の革新的なアプローチは、適応的なフォワード・ビュー・トランスフォーメーションとフロー・モデリングを取り入れることで、3次元の占有率とフロー予測を向上させる2段階のフレームワークである。
提案手法は回帰と分類を組み合わせることで,様々な場面におけるスケールの変動に対処し,予測フローを利用して将来のフレームに現行のボクセル特徴をワープする。
論文 参考訳（メタデータ） (2024-07-01T16:32:15Z)
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。