論文の概要: What Does World Modeling Actually Improve in Robot Action Learning?

• arxiv url: http://arxiv.org/abs/2610.34593v1
• Date: Sun, 25 Oct 2026 21:47:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.642655
• Title: What Does World Modeling Actually Improve in Robot Action Learning?
• Title（参考訳）: ロボット行動学習における世界モデリングの実際的改善
• Abstract要約: 我々は、FastWAMとOpenWAM内で、制御された将来の予測損失の軽減を行う。 タスクのクリーンな条件下では、予測監督は成功率を24.38と72.91ポイント向上させる。 トレーニング中のみ使用される軽量トランスフォーマー予測器は82.94%から89.19%に向上する。
• 参考スコア（独自算出の注目度）: 20.048967594785218
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: World Action Models (WAMs) combine future-video prediction with robot action learning, yet improvements in task success alone do not reveal how predictive supervision manifests in execution behavior or whether its benefits persist under task and environmental shifts. We conduct controlled future-video prediction loss ablations within FastWAM and OpenWAM, keeping model architecture, initialization, robot training data, and training steps fixed within each model family. Under clean conditions on seen tasks, predictive supervision increases success rates by 24.38 and 72.91 percentage points, respectively. Trajectory clustering further reveals higher success rates within several coarse trajectory clusters, including cases where cluster frequencies change little, indicating that the gains are not solely reflected in changes in the prevalence of trajectory patterns. However, these benefits do not consistently persist under distribution shifts: improvements on unseen tasks vary across models and tasks, while both models exhibit low success rates under the evaluated environmental randomizations, without a consistent advantage from predictive supervision. We further introduce future-video prediction as an auxiliary training objective for $π_{0.5}$, where a lightweight Transformer predictor used only during training increases success from 82.94% to 89.19%. These findings support future-video prediction as effective auxiliary supervision for action learning, while distinguishing improved execution on familiar tasks from reliable transfer and showing that such gains need not rely on a large pretrained video diffusion transformer (DiT) in the evaluated setting.
• Abstract（参考訳）: 世界行動モデル(WAM)は、未来の映像予測とロボットの行動学習を組み合わせるが、タスクの成功だけでは、実行行動における予測的監督の現れや、その利点がタスクや環境の変化の下で持続するかどうかを明らかにしない。 我々は,FastWAMおよびOpenWAM内で,モデルアーキテクチャ,初期化,ロボット訓練データ,各モデルファミリ内に固定されたトレーニングステップの制御を行う。 タスクのクリーンな条件下では、予測監督は成功率をそれぞれ24.38ポイント、72.91ポイント向上させる。 トラジェクトリクラスタリングにより、いくつかの粗いトラジェクトリクラスタ内での成功率がさらに向上し、クラスタの周波数がほとんど変化しない場合など、トリジェクトリパターンの出現率の変化にのみ反映されないことを示す。 しかしながら、これらの利点は分散シフトの下で一貫して持続しない: 目に見えないタスクの改善はモデルやタスクによって異なるが、どちらのモデルも予測的監督から一貫した優位性を持たず、評価された環境ランダム化の下では低い成功率を示す。 さらに、トレーニング中にのみ使用される軽量トランスフォーマー予測器が82.94%から89.19%に向上する、$π_{0.5}$の補助的トレーニング目標として、将来のビデオ予測を導入する。 これらの知見は,行動学習の効果的な補助的指導として将来の映像予測を支援するとともに,慣れ親しんだタスクの実行の改善を信頼性のある転送と区別し,評価環境ではビデオ拡散トランスフォーマ (DiT) を大きな事前学習に頼らなくてもよいことを示す。

関連論文リスト

• De-Diffusing WAMs: Action-Sufficient Direct Prediction for Robot Control [8.112815235698173]
  カスケード世界行動モデル(WAM)は、ロボット行動の条件付けに予測された視覚的未来を用いるが、拡散予測された専門家によるコストのかかる反復推論を継承する。 我々は、正確に1ステップのアクション予測をサポートするために、どのような1ステップの予測未来が保存されなければならないかを尋ねる。 DirectWAMは、訓練済みのビデオとアクションの専門家を、アクション十分蒸留を通してサンプリングすることなく、単一ステップの予測子に変換する。 4つのLIBEROスイートで平均97.1%、RoboTwin 2.0で85.4%を達成し、1ストリーム当たりの予算でFlash-WAMを上回っている。
  論文  参考訳（メタデータ） (2026-10-20T12:30:58Z)
• Does Learning to Predict the World Help Agents Act? Auditing World-Model Post-Training [33.73456133272386]
  訓練後、エージェントは次の観察を予測し、その予測を報酬または直接的な監視信号に変換する必要がある。 我々は、トレーニングプロセス中に、真の次の観測対象を、分布不一致の観察に置き換える。 この発見をVisualWebArenaに一般化します。そこでは、ランダムリワードトレーニングがベースモデルに対してpass@64を14.3%上昇させます。
  論文  参考訳（メタデータ） (2026-09-27T08:07:05Z)
• Foresight Without Seeing: Latent Futures for World Action Models [31.423405133926334]
  本稿では,動的条件付き直接政治WAMであるForeWAMを提案する。 また、凍結した潜伏行動教師が指導するダイナミクスを導入し、物体の動きや接触変化、タスクの進行といった相互作用によって引き起こされる遷移を、暗黙の未来の状態が捉えることを奨励する。 ロボットデータの事前トレーニングがなければ、ForeWAMの標準版と加速版は平均96.7%、LIBEROは96.9%である。
  論文  参考訳（メタデータ） (2026-08-12T03:27:43Z)
• DenseReward: Dense Reward Learning via Failure Synthesis for Robotic Manipulation [67.08835970838996]
  強化学習は模倣学習の限界を超えてロボットポリシーを改善するための大きな約束である。 2つの重要な課題は、さまざまな障害データを大規模に取得し、スパース軌道レベルの成功ラベルを超えて、きめ細かい報酬信号を取得することである。 両課題に対処する高密度ロボット報酬モデルであるDenseRewardを紹介した。
  論文  参考訳（メタデータ） (2026-07-14T17:59:29Z)
• Feedback World Model Enables Precise Guidance of Diffusion Policy [36.965417653906535]
  本稿では,推定時刻における予測と観測のループを閉じる新たなパラダイムであるフィードバック・ワールド・モデルを提案する。 本手法は,分布シフト時の予測精度とポリシー性能を大幅に向上することを示す。 特に、世界モデルの予測誤差を最大76.4%削減し、アウト・オブ・ディストリビューション(OOD)の成功率を30%改善する。
  論文  参考訳（メタデータ） (2026-05-15T07:52:13Z)
• Disentangled Robot Learning via Separate Forward and Inverse Dynamics Pretraining [28.30092786035367]
  DeFIはビジュアルフォワードと逆ダイナミクスを分離し、各データソースを利用するための新しいフレームワークである。 今後の予測のために,多種多様な人・ロボットビデオで事前訓練された一般フォワード・ダイナミクス・モデル(GFDM)と,ラベルなしビデオ遷移から潜伏行動を予測するための自己教師付き学習によって訓練された一般逆ダイナミクス・モデル(GIDM)を紹介する。 CALVIN ABC-D と SimplerEnv の実験では、DeFI は CALVIN の平均タスク長 4.51 に達し、SimplerEnv-Frac は 51.2% 成功した。
  論文  参考訳（メタデータ） (2026-03-27T17:20:10Z)
• Physical Autoregressive Model for Robotic Manipulation without Action Pretraining [65.8971623698511]
  我々は、自己回帰ビデオ生成モデルを構築し、物理自己回帰モデル(PAR)を提案する。 PARは、アクション事前トレーニングを必要とせず、物理力学を理解するために、ビデオ事前トレーニングに埋め込まれた世界の知識を活用する。 ManiSkillベンチマークの実験は、PARがPushCubeタスクで100%の成功率を達成したことを示している。
  論文  参考訳（メタデータ） (2025-08-13T13:54:51Z)
• Reinforcement Learning with Action-Free Pre-Training from Videos [95.25074614579646]
  本稿では,ビデオにおける生成前学習を通じて動的理解に役立つ表現を学習するフレームワークを提案する。 我々のフレームワークは、視覚に基づく強化学習の最終性能とサンプル効率の両方を著しく改善する。
  論文  参考訳（メタデータ） (2022-03-25T19:44:09Z)

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。