論文の概要: ThinkWorld: World Imagination Reinforces Chain-of-Dynamics Reasoning
- arxiv url: http://arxiv.org/abs/2610.37666v1
- Date: Tue, 27 Oct 2026 17:59:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-28 21:04:31.745525
- Title: ThinkWorld: World Imagination Reinforces Chain-of-Dynamics Reasoning
- Title（参考訳）: ThinkWorld:ワールド・イマジネーションは動的推論の連鎖を強化
- Abstract要約: 本稿では,世界ダイナミクスのアクション推論を基盤としたVLA学習フレームワークであるThinkWorldを紹介する。
ThinkWorldは個々のアクションを、個別のモーショントークンのシーケンスであるChain-of-Dynamics(CoD)として考える。
まず、行動ラベルによる実証実験を行い、各CoDが引き起こす未来を予測し、その予測が観測結果とよりよく一致するものを強化する。
- 参考スコア（独自算出の注目度）: 70.23139587050669
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Vision-Language-Action (VLA) models have made substantial progress in robotic manipulation, but their generalization remains constrained by the diversity and coverage of action-labeled robot demonstrations. Human videos provide much broader behavioral and environmental experience, while learning from them faces a fundamental trade-off between scalable data and explicit action grounding. We introduce ThinkWorld, a VLA learning framework that grounds action reasoning in world dynamics and strengthens it through reinforcement learning with world imagination. ThinkWorld represents each action thought as a Chain-of-Dynamics (CoD), a sequence of discrete motion tokens that captures the intermediate dynamics connecting the current world to a future state and serves as a common action representation across embodiments. We first initialize CoD with action-labeled demonstrations, then predict the future induced by each CoD and reinforce those whose predictions better match the observed outcome. This enables videos without action annotations to provide direct supervision from observed state transitions, allowing human and robot experience to refine the same reasoning space. Experiments in simulation and on real robots demonstrate effective human-to-robot transfer and strong generalization to unseen tasks and environments.
- Abstract（参考訳）: VLA(Vision-Language-Action)モデルは、ロボット操作においてかなりの進歩を遂げているが、その一般化は、アクションラベル付きロボットのデモの多様性とカバレッジに制約されている。
人間のビデオは、より広範な行動と環境経験を提供する一方で、それらから学ぶことは、スケーラブルなデータと明示的な行動基盤との根本的なトレードオフに直面します。
我々は、世界力学における行動推論を基盤として、世界想像力による強化学習を通じてそれを強化するVLA学習フレームワークであるThinkWorldを紹介する。
ThinkWorldは各アクションをChain-of-Dynamics(CoD)とみなし、現在の世界と将来の状態とを繋ぐ中間のダイナミクスをキャプチャし、エボディメントをまたいだ共通のアクション表現として機能する、個別のモーショントークンのシーケンスである。
我々はまず,行動ラベル付きデモンストレーションでCoDを初期化し,各CoDが引き起こす未来を予測し,その予測が観測結果とよりよく一致しているものを補強する。
これにより、アクションアノテーションのないビデオは、観察された状態遷移を直接監視し、人間とロボットの体験が同じ推論空間を洗練できる。
シミュレーションと実際のロボットを用いた実験は、人間とロボットの効果的な移動と、目に見えないタスクや環境への強力な一般化を実証する。
関連論文リスト
- RynnWorld-Latent: A Cross-Embodiment World Model Conditioned on Universal Latent Actions [52.064217872870806]
本稿では、RynnLAMによって導入された3Dグラウンドの潜伏動作を共用条件インタフェースとして利用する、クロス・エンボディメント・ビデオワールドモデルであるRynnWorld-Latentを紹介する。
RynnWorld-Latentは、グローバルアクショントークンと、アクションを将来のビデオラテントと整合させるID-dローカルパスを組み合わせる。
論文 参考訳（メタデータ） (2026-10-27T07:54:16Z) - Beyond Successful Robot Demonstrations: Learning from Human Interactions and Modeling Failure Dynamics [20.50580783338928]
本稿では,ヒューマンインタラクション学習と障害認識後学習を組み合わせた行動条件世界モデルHF-WMを紹介する。
我々は,HF-WMが動作条件付きビデオ生成における最先端性能を実現し,下流ロボット作業におけるポリシー評価に強力な有用性を示すことを示す。
論文 参考訳（メタデータ） (2026-10-09T12:44:18Z) - Being-M0.7: A Latent World-Action Model for Humanoid Robots [52.49928557294444]
我々は,人間のデータから学習した視覚的動きを,事前学習,ロボットのミッドトレーニング,アクションポストトレーニングを通じてヒューマノイド制御に伝達する潜在世界行動モデルであるBeing-M0.7を提案する。
我々は、1万時間以上の生の人中心データからコーパスをキュレートし、ビデオのみ、モーションのみ、およびペア化されたビデオモーションストリームを統合して、補完的な視覚力学と全身の運動構造を学習する。
Be-M0.7はSIMPLEで比較したベースラインの中で最高成功率に達し、現実世界のUnitree G1ロコ操作タスクで最強のベースラインと一致する。
論文 参考訳（メタデータ） (2026-10-08T05:49:24Z) - AffordanceWAM: Affordance-Aware Joint World-Action Modeling for Robot Manipulation [61.436480565887905]
汎用的なロボット操作は、シーンがどのように進化するかを予測する必要がある。
アクションラベル付きロボットビデオは、直接制御を監督するが、コストが高く、多様性に制限がある。
本稿では,Scalr Affordance と Affordance Heatmap によるオブジェクトの空き時間を表す,空き時間を考慮した World Action Model を提案する。
論文 参考訳（メタデータ） (2026-09-16T14:07:06Z) - XPACE: Joint World and Action Modeling from Heterogeneous Experience [49.17824968489423]
汎用ロボットは、多様な経験を生かし、アクションを選択し、それらのアクションがどのように世界を変えるかを予測する必要がある。
我々は,ワールドアクションモデルとシミュレータの両方を兼ね備えた,統一型世界モデルであるXPACEを紹介する。
ポリシーとシミュレーター間のビデオバックボーンを共有することで、視覚力学とアクションラベル付き人間とロボットのデモを学ぶためにアクションラベル付きビデオを使用する。
論文 参考訳（メタデータ） (2026-09-15T16:07:34Z) - WALA Learning Executable Latent Actions from Action-Labeled Demonstrations and Action-Free Videos [38.959415159248046]
WALAは、アクションラベル付きデモとアクションフリービデオの両方から実行可能な潜在アクションを学ぶためのフレームワークである。
WALAはRoboTwin上で高いパフォーマンスを実現し,RoboCasa上での最先端の成果を平均75.2%で実現している。
論文 参考訳（メタデータ） (2026-07-13T11:02:04Z) - HARP-VLA: Human-Robot Aligned Representation Learning for Vision-Language-Action Model [13.153130497047043]
大規模な人間のビデオから一般化可能な視覚-言語-アクションモデルを学ぶことは有望だが、断熱的不一致のため難しい。
本稿では,人間のビデオからより効果的なVLA事前学習のための人間ロボット協調表現学習フレームワークであるHARPを提案する。
特徴可視化、シミュレーション、実世界の操作実験は、人間ロボットのアライメントと下流ポリシーのパフォーマンスを改善した。
論文 参考訳（メタデータ） (2026-05-29T12:36:30Z)
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。