論文の概要: TurboWAM: Learning What Matters for Fast World Action Models

• arxiv url: http://arxiv.org/abs/2610.33941v1
• Date: Sat, 24 Oct 2026 23:04:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.488351
• Title: TurboWAM: Learning What Matters for Fast World Action Models
• Title（参考訳）: TurboWAM: 迅速な世界行動モデルで何が重要かを学ぶ
• Abstract要約: TurboWAMは、アクション予測で条件付けられた構造化された世界表現を効率的に集約する高速な世界行動モデルである。 複数のロボット操作ベンチマークの実験により、TurboWAMは低推論遅延を実現することが示された。
• 参考スコア（独自算出の注目度）: 11.691649350414425
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: World action models have demonstrated promising performance in robot policy learning, yet their high inference latency remains a critical bottleneck for real-world deployment. Recent approaches have sought to improve inference efficiency by reducing test-time future-frame imagination or accelerating action prediction. However, these methods often leverage representations from all video world model layers without explicitly considering their varying relevance to action prediction, leading to redundant computation and suboptimal representation utilization. In this work, we propose TurboWAM, a fast world action model that efficiently aggregates structured world representations conditioned on action predictions. Specifically, TurboWAM introduces a structured world representation aggregation module that adaptively fuses representations from different world model layers according to their relevance to the evolving action denoising state. Furthermore, TurboWAM employs a structured action supervision mechanism that adaptively modulates gradients from action supervision across different world model layers during backward propagation, facilitating world representation learning. During inference, by reducing the number of world model layers executed and caching relevant representations across action denoising steps, TurboWAM substantially reduces computational overhead. Extensive experiments on multiple robot manipulation benchmarks demonstrate that TurboWAM achieves low inference latency while maintaining competitive task success rates compared with state-of-the-art methods.
• Abstract（参考訳）: 世界アクションモデルは、ロボットポリシー学習において有望なパフォーマンスを示しているが、その高い推論レイテンシは、実際のデプロイメントにおいて重要なボトルネックである。 近年のアプローチでは,テストタイムの将来の想像力の低減や行動予測の高速化による推論効率の向上が試みられている。 しかし、これらの手法は、アクション予測に対する様々な関連性を明示的に考慮することなく、全てのビデオワールドモデル層の表現を利用することが多く、冗長な計算や準最適表現の利用につながる。 本研究では,行動予測に基づく構造化世界表現を効率的に集約する高速世界行動モデルであるTurboWAMを提案する。 具体的には、TurboWAMは、異なる世界モデル層から表現を適応的に融合させる構造化された世界表現集約モジュールを導入し、その進化する行動認知状態との関連性について述べる。 さらに、TurboWAMは、後方伝播中に異なる世界モデル層にまたがる行動監視からの勾配を適応的に調整し、世界表現学習を容易にする構造化された行動監視機構を採用している。 推論中、実行された世界モデルレイヤの数を減らすとともに、関連する表現をアクション記述ステップでキャッシュすることで、TurboWAMは計算オーバーヘッドを大幅に削減する。 複数のロボット操作ベンチマークにおいて、TurboWAMは、最先端の手法と比較して、競争力のあるタスク成功率を維持しながら、低推論レイテンシを実現することを示した。

関連論文リスト

• Do Robotic World Models Really Follow Actions? Diagnosing and Aligning Action-Conditioned Generation for Policy Learning [53.77164209208635]
  本稿では,視覚的整合性と軌跡アライメントを用いて,より広い行動分布を探索するWorldEchoを紹介する。 本稿では,3つの軸に沿った行動(分布カバレッジ,表現的接地,介入効果のアライメント)を強化するWorldSyncを提案する。 RoboTwinベンチマークと実ロボットタスクの実験は、WorldSyncがWorldEchoメトリクスを改善し、反復的なポリシー改善のためのより信頼性の高いシミュレータとして機能していることを示している。
  論文  参考訳（メタデータ） (2026-08-25T17:59:49Z)
• FASTer: Toward Efficient Autoregressive Vision Language Action Modeling via Neural Action Tokenization [61.10456021136654]
  本稿では,効率的で汎用的なロボット学習のための統合フレームワークであるFASTerを紹介する。 FASTerVQは、アクションチャンクをシングルチャネルイメージとしてエンコードし、高い圧縮比を維持しながら、グローバルな時間的依存関係をキャプチャする。 FASTerVLAはブロックワイドの自動回帰デコーディングと軽量アクションエキスパートを備えたトークンライザ上に構築されており、推論の高速化とタスクパフォーマンスの向上を実現している。
  論文  参考訳（メタデータ） (2025-12-04T16:21:38Z)
• HERO: Hierarchical Extrapolation and Refresh for Efficient World Models [18.575468763483993]
  世代駆動の世界モデルは没入型仮想環境を作るが、拡散モデルの反復的な性質のために推論が遅い。 我々は,効率的な世界モデルに適したトレーニング不要な階層加速度フレームワークHEROを提案する。 HEROは、最小品質の劣化で1.73$times$の高速化を実現し、既存の拡散加速法を著しく上回っている。
  論文  参考訳（メタデータ） (2025-08-25T01:22:15Z)
• Revisiting Multi-Agent World Modeling from a Diffusion-Inspired Perspective [54.77404771454794]
  拡散モデルを用いたマルチエージェント強化学習(MARL)のためのフレキシブルで堅牢な世界モデルを開発する。 本手法はDiffusion-Inspired Multi-Agent World Model (DIMA) を用いて,複数のマルチエージェント制御ベンチマークにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2025-05-27T09:11:38Z)
• Learning Transformer-based World Models with Contrastive Predictive Coding [58.0159270859475]
  変換器の表現能力を十分に活用するには,次の状態予測目標が不十分であることを示す。 本稿では,行動条件のContrastive Predictive Codingを用いた世界モデルであるTWISTERを導入することで,世界モデル予測をより長い時間的地平線まで拡張することを提案する。 TWISTERは、Atari 100kベンチマークで162%の人間正規化平均スコアを達成し、ルックアヘッド検索を使用しない最先端のメソッドの中で、新しい記録を樹立した。
  論文  参考訳（メタデータ） (2025-03-06T13:18:37Z)
• ReCoRe: Regularized Contrastive Representation Learning of World Model [21.29132219042405]
  対照的な教師なし学習と介入不変正規化器を用いて不変特徴を学習する世界モデルを提案する。 提案手法は,現状のモデルベースおよびモデルフリーのRL法より優れ,iGibsonベンチマークで評価された分布外ナビゲーションタスクを大幅に改善する。
  論文  参考訳（メタデータ） (2023-12-14T15:53:07Z)

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。