論文の概要: CausalWAM: Learning the Causes of Actions in World Action Models
- arxiv url: http://arxiv.org/abs/2610.42096v1
- Date: Fri, 30 Oct 2026 17:40:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 22:05:31.856989
- Title: CausalWAM: Learning the Causes of Actions in World Action Models
- Title(参考訳): CausalWAM:世界行動モデルにおける行動原因の学習
- Abstract要約: 世界行動モデル(WAM)は、観測から潜伏変数を学習し、これらを使用してシーンの進化を予測し、アクションを生成する。
スパース性制約の下では、アクションを生成するために使用される潜伏変数は、アクション関連潜伏変数単独の可逆関数であることを示す。
本稿では,この制約を予め訓練したWAMに組み込んだCWAM(Causal WAM)を提案する。
- 参考スコア(独自算出の注目度): 17.098605877908525
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: World action models (WAMs) learn latent variables from observations and use these to both predict the evolution of the scene and to generate actions. The prediction has to be of the whole scene, whereas only a portion of the scene causes actions. WAMs fitted to demonstrations do not, in general, guarantee that they will generate actions solely from the latent causes of the demonstrated actions (the action-relevant latent variables), as the model could just as well learn to imitate in this way whilst entangling the action-relevant latent variables with the nuisance variables. We therefore separate out what causes action from what prediction depends on. We prove that under a sparsity constraint the latent variables used to generate actions are an invertible function of the action-relevant latent variables alone and the true structure is identified up to a permutation of the latent variables. This requires neither sufficient temporal dependence nor any assumptions on how the unobserved regimes evolve and holds even when the action-relevant latent variables are statistically dependent on the rest. We therefore propose CWAM (Causal WAM), which incorporates the constraint into a pretrained WAM by adding a sparse routing path to its action head, with the world modeling objective remaining unchanged. Experiments on both synthetic data and real-world robots validate the theory as well as showcase the improved efficiency in closed-loop success.
- Abstract(参考訳): 世界行動モデル(WAM)は、観測から潜伏変数を学習し、これらを使用してシーンの進化を予測し、アクションを生成する。
予測はシーン全体のものである必要がありますが、シーンの一部だけがアクションを引き起こします。
デモに適合したWAMは、一般に、実証されたアクション(アクション関連潜時変数)の潜時原因のみからアクションを生成することを保証しない。
したがって、何を引き起こすかは、どの予測が依存するかから切り離される。
疎度制約の下では、アクションを生成するために使用される潜時変数は、アクション関連潜時変数単独の可逆関数であり、真の構造は潜時変数の置換まで同定される。
これは十分な時間的依存も、観測されていない状態がどのように進化し、アクション関連潜伏変数が統計的に他の変数に依存している場合でも維持する仮定も必要としない。
そこで我々は,この制約を予め訓練されたWAMに組み込んだCWAM(Causal WAM)を提案する。
合成データと実世界のロボットの両方の実験は、この理論を検証し、クローズドループの成功における改善された効率を示す。
関連論文リスト
- Learning Intrinsic Dynamics in Latent World Models [12.965705396471392]
動作予測可能性と固有力学の関係について検討する。
我々の中心的な仮説は、行動予測可能性の促進は、表現が異なる行動と結果の区別を捨てることを妨げている、というものである。
我々はConcat IDMを用いてアクション予測可能性のインスタンス化を行い、既存のオフライントラジェクトリで利用可能なアクションラベルを使用して、潜在状態からのアクションを予測し、共有エンコーダを更新する。
論文 参考訳(メタデータ) (2026-10-15T09:57:14Z) - ATI-VLA: Action-Centric Predictive Vision-Language-Action Models via Actionable Alignment Then Adaptive Injection [58.95432059887781]
ATI-VLAはAction-Centric Predictive Vision-Language-Actionフレームワークである。
両方のモダリティを共有潜在空間にマッピングすることで、予測観測と行動表現を一致させる。
その後、予測された観測潜伏者を明示的な予測先行として行動復号に注入する。
論文 参考訳(メタデータ) (2026-10-01T14:12:23Z) - Learning Skills from Historical Action Trajectories: Action Experience Dictionary for World Action Models [129.76412745258145]
World Action Models(WAM)は、視覚力学予測とアクション生成を結合するが、操作タスク間のアクションエクスペリエンスの再利用を明示的にサポートしていない。
本研究では,歴史的行動軌跡を共有行動埋め込みにエンコードするアクション体験辞書(AED)を開発した。
シミュレーション・ベンチマークと実世界のクロス・エボディメント・セッティングの実験により,AEDの有効性が検証された。
論文 参考訳(メタデータ) (2026-09-30T17:26:38Z) - Counterfactual Quotient Models: Learning What Actions Change, Not What the World Does [14.67340173071927]
強化学習モデルは一般的に、完全な将来の状態、観察、または特徴の占有率を予測する。
このモデルでは、アクション間で共有されるコンポーネントによってのみ異なる場合に、アクション条件付き未来を等価として扱う。
論文 参考訳(メタデータ) (2026-08-22T19:55:57Z) - 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) - Overcoming Statistical Bias in Action-Controllable World Models [18.890337378174678]
アクション条件付き世界モデルは、エージェントのアクションの下で視覚環境がどのように進化するかを予測することを目的としている。
将来のフレームは、しばしば視覚的慣性や反復的な動きパターンから非常に予測可能である。
アクション制御性を高めるために,CoCoという対実整合性フレームワークを紹介した。
論文 参考訳(メタデータ) (2026-08-05T10:10:36Z) - From Imagined Futures to Executable Actions: Mixture of Latent Actions for Robot Manipulation [88.39072412680633]
将来の映像を実行可能な表現に変換する制御指向インタフェースであるMoLAを提案する。
我々は,シミュレーションベンチマークと実世界のロボット操作タスクに対するアプローチを評価した。
論文 参考訳(メタデータ) (2026-05-12T14:15:16Z) - HarmoWAM: Harmonizing Generalizable and Precise Manipulation via Adaptive World Action Models [58.191567345416836]
世界行動モデル(WAM)は、物理力学のモデリングによるロボット制御のための有望なパラダイムとして登場した。
HarmoWAMは、予測と反応の制御を統一するために世界モデルを完全に活用し、一般的なトランジットと正確な操作を可能にする。
実世界の6つのロボットタスクにまたがる3つのトレーニング未確認テスト環境を構築し、背景、位置、オブジェクトの意味のバリエーションをカバーした。
論文 参考訳(メタデータ) (2026-05-11T17:59:56Z) - Learning the Effects of Physical Actions in a Multi-modal Environment [17.757831697284498]
大規模言語モデル(LLM)は、物理的コモンセンス情報を不十分に扱う。
本稿では,現実的な感覚入力のみから行動の結果を予測するマルチモーダルタスクを提案する。
マルチモーダルモデルでは、視覚情報で拡張した場合に、物理的なコモンセンスをキャプチャできることを示す。
論文 参考訳(メタデータ) (2023-01-27T16:49:52Z) - Weakly-supervised Action Transition Learning for Stochastic Human Motion
Prediction [81.94175022575966]
動作駆動型人間の動作予測の課題について紹介する。
一連の動作ラベルと短い動作履歴から、複数の可算な将来の動作を予測することを目的としている。
論文 参考訳(メタデータ) (2022-05-31T08:38:07Z)
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。