論文の概要: HiFOR: Hierarchical Foresight with Action-Guided World Grounding for Vision-Language-Action Model

• arxiv url: http://arxiv.org/abs/2610.40373v1
• Date: Thu, 29 Oct 2026 16:21:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 07:24:31.82688
• Title: HiFOR: Hierarchical Foresight with Action-Guided World Grounding for Vision-Language-Action Model
• Title（参考訳）: HiFOR:視覚・言語・アクションモデルのためのアクションガイド世界接地による階層的展望
• Abstract要約: HiFORは、アクション誘導の世界検索を備えた階層的なフォレストフレームワークである。 構造対応ラテント世界モデリングは、地平線、ビュー、空間次元に沿って将来のラテント表現を整理する。 Action-Guided Factorized World Retrievalは、構造化された潜在世界から関連する将来情報を適応的に検索する。
• 参考スコア（独自算出の注目度）: 28.284263790489103
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-Language-Action (VLA) models have demonstrated promising capabilities in robotic manipulation by integrating visual perception, language understanding, and action generation. Recent advances have further incorporated future prediction to enhance the understanding of environmental dynamics and task progression. However, existing methods often model short-term dynamics and long-term task objectives separately, while directly incorporating predicted futures into action policies without sufficiently considering their relevance to current action requirements. To address these limitations, we propose HiFOR, a hierarchical foresight framework with action-guided world retrieval. Specifically, Hierarchical Foresight Prediction jointly predicts short-term state evolution, semantic milestones, and final goal states through a Hierarchical Dependency Mask (HDM), establishing dependencies across temporal horizons. Building upon these predictions, Structure-Aware Latent World Modeling organizes future latent representations along the horizon, view, and spatial dimensions to facilitate fine-grained retrieval. Furthermore, Action-Guided Factorized World Retrieval adaptively retrieves relevant future information from the structured latent world based on evolving action representations during denoising, providing targeted guidance for action generation. Extensive experiments on two simulation benchmarks and six real-world robotic manipulation tasks demonstrate the effectiveness of our approach.
• Abstract（参考訳）: VLA(Vision-Language-Action)モデルは、視覚知覚、言語理解、行動生成を統合することで、ロボット操作において有望な能力を実証している。 近年の進歩は、環境力学とタスク進行の理解を高めるために、将来の予測をさらに取り入れている。 しかし、既存の手法は、しばしば短期的ダイナミクスと長期的タスク目標を個別にモデル化する一方で、予測された未来を直接アクションポリシーに組み込むことで、現在のアクション要件との関連性を十分に考慮しない。 これらの制約に対処するために,行動誘導世界検索を用いた階層型フォレストフレームワークであるHiFORを提案する。 具体的には、階層的フォレスト予測(Hierarchical Foresight Prediction)は、短期状態の進化、セマンティックなマイルストーン、最終目標状態を階層的依存関係マスク(HDM)を通じて共同で予測し、時間的地平線を越えた依存関係を確立する。 これらの予測に基づいて、構造認識ラテント・ワールド・モデリング(Structure-Aware Latent World Modeling)は、地平線、ビュー、空間次元に沿った将来の潜在表現を整理し、きめ細かい検索を容易にする。 さらに、行動ガイド付きファクトリズドワールド検索は、進化中の行動表現に基づいて、構造化された潜在世界から関連する将来情報を適応的に検索し、行動生成のための目標ガイダンスを提供する。 2つのシミュレーションベンチマークと6つの実世界のロボット操作タスクに関する大規模な実験は、我々のアプローチの有効性を実証している。

関連論文リスト

• World Model Interpretability: From Decoding Representations to Understanding Latent Worlds [68.41122056455514]
  JEPAの潜伏変数が予測とアクションのために内部状態になるにつれて、解釈可能性は、エンコードしたものを超えて、潜伏変数の相互作用方法に移行する必要がある、と私たちは主張する。 このパースペクティブは、非コーディング表現から、潜在世界への理解、検証、行動へと注意を移す、より広範な潜在世界解釈可能性アジェンダを提唱することを目的としている。
  論文  参考訳（メタデータ） (2026-10-18T14:29:13Z)
• EWAM: Emergent Depth-Wise Specialization in a Unified Embodied Model -- From Semantic Understanding through Visual Foresight to Action [65.7650775259592]
  視覚言語行動(VLA)ポリシーは意味理解を重視し、世界行動モデル(WAM)は環境力学の予測表現を学習する。 本研究では,アクション中心の統一型エンボディモデルであるEWAMについて述べる。
  論文  参考訳（メタデータ） (2026-09-30T15:35:53Z)
• World-Action Models for Robot Learning and Control: A Survey [41.45329550202786]
  世界モデル、ビデオ生成、ビジョン・ランゲージ・アクション(VLA)政策の最近の進歩は、ワールド・アクション・モデル(WAM)の発展を動機づけている。 この調査は、WAMのロボティクス指向のレビューを提供する。 我々は、従来の世界モデル、モデルに基づく強化学習、アクション条件付きビデオ生成、リアクティブVLAポリシーに対するそれらのスコープを明確にし、統一された分類法によって既存の手法を整理する。 我々は,行動アライメント,世界行動の分解,空間的・多視点整合性,長期記憶,閉ループ政策学習のためのニューラルシミュレーション,効率的な推論における重要な課題について議論する。
  論文  参考訳（メタデータ） (2026-09-13T16:35:56Z)
• 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)
• World-Value-Action Model: Implicit Planning for Vision-Language-Action Systems [32.4918638412746]
  VLA(Vision-Language-Action)モデルは、知覚と言語を作用させるエンボディエージェントを構築するための有望なパラダイムとして登場した。 本稿では,VLAシステムにおける暗黙的な計画を可能にする統合フレームワークであるWorld-Value-Action(WAV)モデルを紹介する。
  論文  参考訳（メタデータ） (2026-04-16T07:46:05Z)
• DreamVLA: A Vision-Language-Action Model Dreamed with Comprehensive World Knowledge [41.030494146004806]
  本稿では,逆動力学モデリングを実現するために,包括的世界知識予測を統合した新しいVLAフレームワークであるDreamVLAを提案する。 DreamVLAは、動的領域誘導の世界知識予測を導入し、空間的および意味的な手がかりと統合し、アクション計画のためのコンパクトで包括的な表現を提供する。 実世界とシミュレーション環境での実験では、ドリームVLAが実際のロボットタスクで76.7%の成功率を達成したことが示されている。
  論文  参考訳（メタデータ） (2025-07-06T16:14:29Z)
• Learning to Abstract and Predict Human Actions [60.85905430007731]
  ビデオにおける人間の活動の階層構造をモデル化し,行動予測におけるそのような構造の効果を実証する。 イベントの部分的階層を観察し、その構造を複数の抽象化レベルで将来の予測にロールアウトすることで、人間の活動の構造を学習できる階層型ニューラルネットワークであるHierarchical-Refresher-Anticipatorを提案する。
  論文  参考訳（メタデータ） (2020-08-20T23:57:58Z)

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。