論文の概要: OpenNWM: A Generalist Navigation World Model with Latent Action Pretraining
- arxiv url: http://arxiv.org/abs/2611.01844v2
- Date: Thu, 05 Nov 2026 04:49:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 21:50:50.302057
- Title: OpenNWM: A Generalist Navigation World Model with Latent Action Pretraining
- Title（参考訳）: OpenNWM: 遅延アクション事前トレーニングを備えた汎用ナビゲーションワールドモデル
- Abstract要約: アクションフリーナビゲーションビデオは多様な視覚的体験を提供するが、アクション条件のトレーニングに必要な記録されたアクションは欠如している。
本稿では,遅延動作事前学習を備えた汎用ナビゲーションワールドモデルであるOpenNWMを紹介する。
ビデオ事前トレーニングをサポートするため、大規模なアクションフリーナビゲーションビデオデータセットであるNavAnywhereをキュレートする。
- 参考スコア（独自算出の注目度）: 39.91461483560068
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Navigation world models predict future observations conditioned on navigation actions to support planning, but their generalization across real-world environments remains constrained by the limited coverage of action-labeled data. Action-free navigation videos provide diverse visual experience, yet lack the recorded actions required for action-conditioned training. We introduce OpenNWM, a generalist navigation world model with latent action pretraining. It learns universal latent actions from large-scale action-free videos through visual prediction pretraining, and further aligns them with physical motions via action-conditioned post-training. To support video pretraining, we curate NavAnywhere, a large-scale action-free navigation video dataset comprising 17.5 million visual observations from 15 heterogeneous sources. It captures navigation by ground robots, humans, and drones, with diverse viewpoints and motion patterns across five broad scene types: residential areas, public and commercial spaces, urban settings, parks, and natural landscapes. Experiments demonstrate improved visual prediction on in-domain and out-of-domain benchmarks, together with improved navigation performance. These results show that latent-action pretraining enables diverse, action-free videos to improve dynamics learning and generalization for open-world navigation.
- Abstract（参考訳）: ナビゲーションワールドモデルは、計画を支援するためにナビゲーションアクションに条件付けされた将来の観測を予測するが、実際の環境におけるそれらの一般化は、アクションラベル付きデータの限られた範囲によって制限されるままである。
アクションフリーナビゲーションビデオは多様な視覚的体験を提供するが、アクション条件のトレーニングに必要な記録されたアクションは欠如している。
本稿では,遅延動作事前学習を備えた汎用ナビゲーションワールドモデルであるOpenNWMを紹介する。
視覚的予知による大規模アクションフリービデオから普遍的な潜伏動作を学習し、アクション条件付き後トレーニングを通じて身体運動と整合させる。
ビデオ事前トレーニングをサポートするために,15の異種ソースから1750万の視覚的観察データからなる大規模アクションフリーナビゲーションビデオデータセットであるNavAnywhereをキュレートした。
地上ロボット、人間、ドローンによるナビゲーションを捉え、住宅地、公共空間、商業空間、都市環境、公園、自然景観の5つの広い場面でさまざまな視点と動きパターンを持つ。
実験では、ドメイン内およびドメイン外のベンチマークにおける視覚的予測の改善と、ナビゲーション性能の向上が示されている。
これらの結果は、潜在アクション事前学習により、多様なアクションフリービデオが、オープンワールドナビゲーションのための動的学習と一般化を改善することができることを示している。
関連論文リスト
- ScaleNav: Scalable Internet Video Pretraining for Language-Conditioned Local Navigation [48.37915728575205]
エンド・ツー・エンドのナビゲーションポリシーは、シーンをまたいで一般化するために多様なトレーニングデータを必要とする。
インターネットのエゴセントリックなビデオは、現実世界のナビゲーション体験のスケーラブルなソースを提供する。
3段階のトレーニングを備えた統合ワールドアクションフレームワークであるScaleNavを提案する。
論文 参考訳（メタデータ） (2026-10-19T02:37:24Z) - ImagiNav: Scalable Embodied Navigation via Generative Visual Prediction and Inverse Dynamics [13.382453086651019]
Vision-Language Navigationは、高価なエンボディメント固有のロボットデータに基づいて訓練されたエンドツーエンドのポリシーに依存している。
ロボットの動作から視覚計画を切り離す新しいモジュラーパラダイムであるImagiNavを提案する。
ImagiNavは、ロボットのデモを必要とせずに、ロボットナビゲーションへの強力なゼロショット転送をデモする。
論文 参考訳（メタデータ） (2026-03-14T08:34:02Z) - LookOut: Real-World Humanoid Egocentric Navigation [61.14016011125957]
本稿では,エゴセントリックな映像から将来の6Dヘッドポーズの列を予測するという課題を紹介する。
この課題を解決するために,時間的に集約された3次元潜伏特徴を考慮に入れた枠組みを提案する。
この分野のトレーニングデータが不足していることから,このアプローチを通じて収集されたデータセットを提示する。
論文 参考訳（メタデータ） (2025-08-20T06:43:36Z) - Navigation World Models [68.58459393846461]
本稿では,過去の観測とナビゲーション行動に基づいて,将来の視覚観測を予測できる制御可能な映像生成モデルを提案する。
慣れ親しんだ環境では、NWMはナビゲーションの軌道をシミュレートし、目的を達成するかどうかを評価することで計画することができる。
実験は、スクラッチからの軌道計画や、外部ポリシーからサンプリングされた軌道のランク付けにおいて、その効果を実証する。
論文 参考訳（メタデータ） (2024-12-04T18:59:45Z) - CityWalker: Learning Embodied Urban Navigation from Web-Scale Videos [11.912608309403359]
我々は,人間のような都市ナビゲーションのためのスケーラブルでデータ駆動型アプローチを提案する。
われわれは何千時間もの間、何千時間もの街を歩きながらウェブから動画を流すエージェントを訓練している。
我々のモデルは、多様な課題や重要なシナリオを扱うために洗練されたナビゲーションポリシーを学びます。
論文 参考訳（メタデータ） (2024-11-26T19:02:20Z) - Visual Navigation Among Humans with Optimal Control as a Supervisor [72.5188978268463]
そこで本研究では,学習に基づく知覚とモデルに基づく最適制御を組み合わせることで,人間間をナビゲートする手法を提案する。
私たちのアプローチは、新しいデータ生成ツールであるHumANavによって実現されています。
学習したナビゲーションポリシーは、将来の人間の動きを明示的に予測することなく、人間に予測し、反応できることを実証する。
論文 参考訳（メタデータ） (2020-03-20T16:13:47Z)
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。