論文の概要: Seeing Beyond the Next Step: World-Model-Guided Human-Like Navigation in Multi-Agent Scenes
- arxiv url: http://arxiv.org/abs/2611.07730v1
- Date: Thu, 05 Nov 2026 09:42:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 21:50:50.641818
- Title: Seeing Beyond the Next Step: World-Model-Guided Human-Like Navigation in Multi-Agent Scenes
- Title（参考訳）: 次のステップを超えて見る:マルチエージェントシーンにおける世界モデルガイドによる人間のようなナビゲーション
- Abstract要約: 我々は、将来の行動条件付き予測をロールアウトすることは、デプロイ可能なナビゲーションシステムが支払うことができないコストであると主張している。
2つのタスク・アライン・ワールド・モデルと、近くのソーシャル・ダイナミクスと将来のシーン・セマンティクスの2つを前もって比較した。
配備時には、両方の世界モデルが取り除かれ、ポリシーは単一のフォワードパスで機能する。
- 参考スコア（独自算出の注目度）: 2.444753636564187
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Selecting a next motion in a populated scene is not just a matter of avoiding what is currently in the way: an action can be locally feasible yet drift onto the road instead of the crosswalk, cut into a stream of crossing pedestrians, or bottleneck a narrow passage. These failure modes are invisible from the current state alone, and acting on them requires reasoning about what each candidate action will cause. World models offer exactly this, namely action-conditioned predictions of the future, but rolling them out at every decision step is a cost deployable navigation systems cannot pay, and the field has largely traded foresight for speed. We argue this is a false dichotomy. The natural place for a world model in human-aware navigation is at training time, as a preference oracle that distills foresight into a fast policy, rather than at inference time, as an online planner. We pair a discrete visual action prior with two task-aligned world models, one for nearby social dynamics and one for future scene semantics, that score candidate actions by their predicted consequences and refine the policy through group-relative preference distillation. At deployment, both world models are removed and the policy acts in a single forward pass. Across five held-out evaluation scenarios, this yields navigation that is simultaneously safer, more socially and group-coherent, and more goal-directed than strong reactive and learned baselines, with naive observers rating the resulting motion as more human-like. Taken together, our findings point to a different approach for bringing world-model foresight into deployable agents: not accelerating rollouts, but amortizing them into the policy so that the cost of looking ahead is confined to training. Project page: https://seoneun.github.io/-NeurIPS-2026-Seeing-Beyond-the-Next-Step/
- Abstract（参考訳）: 人口密度の高いシーンで次の動きを選択することは、現在行われていることを避けることだけの問題ではない: アクションはローカルで実現可能で、横断歩道の代わりに道路に漂うことができ、横断歩道のストリームに切り替わり、狭い通路をボトルネックにすることができる。
これらの障害モードは、現在の状態だけでは見えず、その動作には、各候補アクションが原因となるものを推論する必要がある。
世界モデルは、例えば未来の行動条件の予測を正確に提供するが、すべての決定ステップで展開することは、コストのかかるナビゲーションシステムが支払えないことであり、フィールドは、速度に対する見返りがほとんどである。
これは誤った二分法だと主張する。
ヒューマン・アウェア・ナビゲーションの世界モデルにとっての自然な場所は、オンラインプランナーとしての推論時間ではなく、目視を高速なポリシーに蒸留する選好のオラクルとしての訓練時間である。
2つのタスク整合世界モデルと、近隣の社会力学モデルと将来のシーンセマンティクスモデルとを組み合わせ、予測結果によって候補アクションをスコアし、グループ相対的嗜好蒸留を通じてポリシーを洗練させる。
配備時には、両方の世界モデルが取り除かれ、ポリシーは単一のフォワードパスで機能する。
5つの持続的評価シナリオで、これによりナビゲーションは、より安全で、より社会的で、グループコヒーレントであり、強力な反応性と学習ベースラインよりも目標指向である。
まとめると、われわれの研究結果は、展開可能なエージェントに世界モデルのフォレストを配置するための別のアプローチを示している:ロールアウトを加速するのではなく、前向きに見るコストがトレーニングに制限されるようにポリシーにそれらを記憶させる。
プロジェクトページ:https://seoneun.github.io/-NeurIPS-2026-Seeing-Beyond-the-Next-Step/
関連論文リスト
- OccWAM: Occupancy World-Action Models with Joint Scene-to-Ego Flow Matching [33.286837898355735]
占領の世界モデルは、将来の運転シーンの構造化されたメートル法表現を提供する。
OccWAMは,密集した将来の占領と連続的なエゴ軌道を共同で生成する,占領的世界行動モデルである。
Bench2DriveとnuScenesの実験は、クローズドループ運転、オープンループ計画、将来の占有予測における最先端のパフォーマンスを示している。
論文 参考訳（メタデータ） (2026-10-13T04:10:00Z) - Feeling Terrain Before Crossing: World Models for Off-Road Navigation [11.910808941933702]
プロプレセプションを前提とした初のオフロードナビゲーションワールドモデルであるFeel-WMを提案する。
Proprioceptionはこれらのダイナミクスを直接キャプチャし、入力として使用すると物理的な未来を予測する。
プランナーは、シーンと一緒に物理的な未来をロールアウトし、分離可能なスコアでゴール類似性に対する予測された失敗リスクを重み付けます。
論文 参考訳（メタデータ） (2026-09-17T08:19:06Z) - Hydra: A Navigation World Action Model with Discrete Latent Planning and Continuous Flow-Matching Execution [51.519325778407016]
世界モデルは、ロボットが未来を想像することを可能にするが、リアルタイム制御にこの能力を活用することは、表現のミスアライメントによってボトルネックとなる。
我々は、このギャップを埋める個別のワールドアクションモデルであるHydraを紹介します。
Hydraは、目標指向の計画において最先端の世界モデルよりも優れており、主要なリアクティブ基盤ポリシーのクローズドループ実行能力にマッチまたは超越している。
論文 参考訳（メタデータ） (2026-08-29T01:58:19Z) - World Action Models: A Survey [100.95337034529263]
ワールドアクションモデル(World Action Models, WAM)は、将来を予測できる予測モデルである。
近年のWAMは大規模なビデオ生成モデルを再利用しており、並列線はビデオ生成コアを持たない言語や視覚言語によるバックボーンに依存している。
この調査は、フィールドに共通の説明を与えます。まず、これらの境界を明確にし、2つの補完的な視点で既存の作業を整理します。
論文 参考訳（メタデータ） (2026-06-18T17:05:19Z) - NavWAM: A Navigation World Action Model for Goal-Conditioned Visual Navigation [41.592946383221566]
ナビゲーションワールドモデルはこのような視覚的な展望を提供するが、予測された未来をクローズドループ制御に変換するために外部プランナーを必要とする予測モジュールは残る。
ナビゲーションワールドモデル予測を実行可能なアクションに変換する拡散変換器ポリシーであるナビゲーションワールドアクションモデル(NavWAM)を提案する。
我々は,シミュレーション事前学習と実ロボット適応によりNavWAMを構築し,計画に基づく世界モデルに対するイメージゴールナビゲーションと代表的ダイレクトナビゲーションポリシーについて評価する。
論文 参考訳（メタデータ） (2026-06-11T15:44:36Z) - See Tomorrow, Act Today: Foresight-Driven Autonomous Driving [87.02582063534608]
ForeSightは、予測された意思決定として自動運転を再設計する基礎的世界モデル中心の計画フレームワークである。
提案手法は,(1)事前学習された世界モデルを用いて,有望な未来世界を生成すること,(2)これらの未来を前提とした計画行動を行うこと,の2段階からなる。
論文 参考訳（メタデータ） (2026-05-08T03:42:05Z) - LatentPilot: Scene-Aware Vision-and-Language Navigation by Dreaming Ahead with Latent Visual Reasoning [51.969318585152116]
LatentPilotは、トレーニング中の将来の観察を貴重なデータソースとして利用して、アクション条件付きビジュアルダイナミクスを学習する。
そこで本稿では,フライホイール方式のトレーニング機構を提案する。これは,道路上の軌道を反復的に収集し,エージェントの行動分布に適合するようにモデルを再訓練する。
R2R-CE、RxR-CE、R2R-PEベンチマークの実験では新たなSOTA結果が得られた。
論文 参考訳（メタデータ） (2026-03-31T02:21:59Z) - NavThinker: Action-Conditioned World Models for Coupled Prediction and Planning in Social Navigation [20.161788094382526]
社会的なナビゲーションには、ロボットがダイナミックな人間の環境で安全に行動する必要がある。
我々は,行動条件付き世界モデルと政治強化学習を結合した将来的なフレームワークであるNavThinkerを提案する。
シングルロボットとマルチロボットのSocial-HM3Dの実験では、最先端のナビゲーションが成功し、Social-MP3Dにゼロショットで転送され、Unitree Go2上で現実世界にデプロイされる。
論文 参考訳（メタデータ） (2026-03-16T14:37:16Z) - WorldPrediction: A Benchmark for High-level World Modeling and Long-horizon Procedural Planning [52.36434784963598]
我々は、異なるAIモデルのワールドモデリングと手続き計画能力を評価するためのビデオベースのベンチマークであるWorldPredictionを紹介する。
現在のフロンティアモデルでは,WorldPrediction-WMでは57%,WorldPrediction-PPでは38%の精度しか達成できないが,人間は両タスクを完璧に解くことができる。
論文 参考訳（メタデータ） (2025-06-04T18:22:40Z) - Forecasting Human Trajectory from Scene History [51.72069374835107]
我々は,暗黙の場面の規則性から学習することで,将来の軌跡を予測することを提案する。
本研究では,シーン履歴情報を歴史的グループ軌跡と個々人のインタラクションの2つのタイプに分類する。
本稿では,シーン履歴をシンプルかつ効果的なアプローチで活用する,SHENet(Scene History Excavating Network)を提案する。
論文 参考訳（メタデータ） (2022-10-17T03:56:02Z)
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。