論文の概要: Why Koopman Structure Does Not Help Differentiable World Models for Humanoid Whole-Body Tracking

• arxiv url: http://arxiv.org/abs/2611.00951v1
• Date: Sat, 31 Oct 2026 13:53:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.271575
• Title: Why Koopman Structure Does Not Help Differentiable World Models for Humanoid Whole-Body Tracking
• Title（参考訳）: クープマンの構造は、ヒューマノイドの全身追跡に世界モデルに影響を与えない理由
• Abstract要約: 既往の状態空間における線形力学であるクープマン構造が, 異種世界モデルによるバックプロパゲーションによってヒューマノイド全体追跡ポリシーを訓練する場合に役立つかどうかを検証した。
• 参考スコア（独自算出の注目度）: 21.87512853369202
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We test whether Koopman structure, linear dynamics in a lifted state space, helps when a humanoid whole-body tracking policy is trained by backpropagating through a differentiable world model, replacing the MLP world model of an otherwise unchanged pipeline for simulated Unitree G1 tracking. It does not: return is at best equal (0.823 versus 0.830), one-step error on identical data is 1.3 to 1.6 times the MLP's, and training is about 15% slower. Lifted rollouts diverge or fail to train a policy; of the schemes tested, re-lifting at every imagined step trains best. Re-lifting never uses the lifted linear dynamics and leaves a model affine in the action, with state-dependent offset and slope; an action-affine MLP also predicts worse, so the cost belongs to this class. At a fixed state, the curvature of the true dynamics in the action explains only part of it. Across states, the policy's actions span a curved region, so an affine model fits policy data only as the tangent at the policy's action, the operating point: on G1, the MLP's tangent there is as accurate as the MLP; at the mean action, 31 times worse. The offset must encode, from the state alone, where the policy acts, whereas an MLP reads the action. Supplying the policy's action removes most of the remaining gap on G1, Ant and Humanoid. The only online repair approaching the MLP feeds the action into the nonlinear lift, giving up the structure. The MLP world model thus remains the better choice here.
• Abstract（参考訳）: 我々は、リニアな状態空間におけるクープマン構造が、相異なる世界モデルを通してヒューマノイド全体追跡ポリシーをトレーニングし、それ以外は変化しないパイプラインのMLP世界モデルを置き換えることで、ユニツリーG1追跡をシミュレーションするのに役立つかどうかを検証した。 リターンは最大で等しい(0.823対0.830)、同一データのワンステップエラーはMLPの1.3から1.6倍、トレーニングは15%遅い。 制限されたロールアウトは、ポリシーの訓練に分岐または失敗し、全ての計画がテストされ、想定されるすべてのステップトレインでリリフトされる。 リリフトは持ち上げられた線形力学を使用しず、状態依存のオフセットと傾斜を持つモデルアフィンをアクションに残す。 状態が一定であれば、作用における真の力学の曲率はその一部しか説明できない。 あらゆる州において、政策の行動は湾曲した領域にまたがっており、アフィンモデルは政策の行動の接点である運用点にのみ適合する:G1では、MLPの接点がMLPと同じくらい正確であり、平均的な行動では31倍悪い。 オフセットは、ポリシーが作用する状態のみからエンコードされなければならないが、MLPはアクションを読み取る。 ポリシーのアクションの供給は、G1、Ant、Humanoidの残りのギャップの大部分を取り除きます。 MLPに接近する唯一のオンライン修理は、この動作を非線形リフトに供給し、構造を放棄する。 したがって、MLPワールドモデルは、ここではより良い選択肢である。

関連論文リスト

• Right Ranking, Wrong Scale: Reproducing the Robotic World Model's Dynamics Model and Testing the Uncertainty of Its Follow-up [0.0]
  モデル自身のロールアウトでのトレーニングは、プレ登録された長い地平線で10エピソードすべてで1ステップのトレーニングに勝るが、短い1ステップのウィンドウでは負ける。 アンサンブルメンバーを自身の予測で転がすと、カバー範囲は33%に増加する。 水平方向特異的な再スケーリングは、残差評価の下で1シグマカバレッジを復元するが、2シグマカバレッジは回復しない。
  論文  参考訳（メタデータ） (2026-11-02T07:52:09Z)
• $\nabla$Mimic: Ultra-Efficient Humanoid Control with Differentiable Simulation [11.207540063616044]
  NablaEngineと$nabla$Mimicは、ファーストオーダーのヒューマノイドポリシー学習のためのオープンソースのインフラストラクチャである。 シミュレータ自体の正確な勾配は、2つの障害物を除去するとより良くなることを示す。 1つのGPU上で1つのポリシーを持つ40個のRAFAN1クリップの全体追跡において、$nabla$Mimicは最先端のワールドモデルによって報告されたスコアに到達し、1.2hではなく20分で0.82、1.8hで0.874となる。
  論文  参考訳（メタデータ） (2026-10-30T12:27:45Z)
• CausalNav: Reliability-Certified Causal World Models for Control under Physical-Parameter Shift [4.0604823050005345]
  CausalNavは、特定状態座標上の署名付きアクション条件遷移グラフを中心に構築されたコントローラである。 CausalNavはデプロイメント時に、介入シーケンスの小さなライブラリをシミュレートし、客観的エラーをポリシ-ログアドバイスに変換する。 我々はCartPole-v1とPendulum-v1の9つの制御基線について評価した。
  論文  参考訳（メタデータ） (2026-08-07T23:16:57Z)
• Hi-WM: Human-in-the-World-Model for Scalable Robot Post-Training [54.896907620476675]
  本稿では,学習世界モデルを用いた学習後学習フレームワークを提案する。 Hi-WMは中間状態をキャッシュし、ロールバックとブランチをサポートする。 我々は、剛性と変形性のあるオブジェクト相互作用と2つのポリシーバックボーンにまたがる3つの実世界の操作タスクについて、Hi-WMを評価する。
  論文  参考訳（メタデータ） (2026-04-23T14:42:54Z)
• WARP: On the Benefits of Weight Averaged Rewarded Policies [66.95013068137115]
  ウェイトアベレード・リワード・ポリシー(WARP)という新しいアライメント戦略を導入する。 WARPは重量空間のポリシーを3つの異なる段階でマージする。 GEMMAポリシによる実験では、WARPが品質とアライメントを改善し、他のオープンソースLLMよりも優れています。
  論文  参考訳（メタデータ） (2024-06-24T16:24:34Z)
• Model-tuning Via Prompts Makes NLP Models Adversarially Robust [97.02353907677703]
  Model-tuning Via Prompts (MVP) による対向的ロバスト性の評価 MVPは、標準的な方法よりも平均8%の性能向上を実現している。 また,これらの利得の基盤となるメカニズムの解明も行なっている。
  論文  参考訳（メタデータ） (2023-03-13T17:41:57Z)
• GraphMLP: A Graph MLP-Like Architecture for 3D Human Pose Estimation [68.65764751482774]
  GraphMLPは3次元ポーズ推定のためのグローバル-ローカル-グラフィック統合アーキテクチャである。 人体のグラフ構造をモデルに組み込んで、3D人間のポーズのドメイン固有の要求を満たす。 複雑な時間力学を単純な方法でモデル化するために拡張することができ、列長の計算コストは無視できる。
  論文  参考訳（メタデータ） (2022-06-13T18:59:31Z)
• Sparse MLP for Image Recognition: Is Self-Attention Really Necessary? [65.37917850059017]
  我々は sMLPNet というアテンションレスネットワークを構築した。 2次元画像トークンでは、sMLPは軸方向に沿って1Dを適用し、パラメータは行または列間で共有される。 66Mパラメータにスケールアップする際、sMLPNetは83.4%のトップ-1精度を達成しており、これは最先端のSwin Transformerと同等である。
  論文  参考訳（メタデータ） (2021-09-12T04:05:15Z)
• Off-Belief Learning [21.98027225621791]
  完全に根ざした最適な政策を学ぶために、OBL(off-belief Learning)を提示します。 OBLは独自のポリシーに収束し、ゼロショット調整により適している。 OBLは単純な玩具セットとヒト/AI/ゼロショット調整のベンチマークの両方において強い性能を示す。
  論文  参考訳（メタデータ） (2021-03-06T01:09:55Z)

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。