論文の概要: AFTER: A World Model with Adaptive Fast--Slow Timescales for Error-Driven Retention
- arxiv url: http://arxiv.org/abs/2611.15215v1
- Date: Wed, 11 Nov 2026 09:09:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.087093
- Title: AFTER: A World Model with Adaptive Fast--Slow Timescales for Error-Driven Retention
- Title(参考訳): 後続: エラー駆動リテンションのための適応的高速時間スケールを持つ世界モデル
- Abstract要約: 世界モデルのコア課題は、相互作用中のロボットダイナミクスの急激かつ永続的、そして当初不明な変化に適応することである。
エラー駆動型リテンションのためのアダプティブ・ファストスロー・タイムスケールを用いた世界モデルであるafter-WMを提案する。
After-WMは、比較した10モデルすべてよりも、マルチステップ平均誤差が低く、共同障害制御タスクにおいて、最も高い平均戻り値を持つ。
- 参考スコア(独自算出の注目度): 59.62804252671245
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In robotics and embodied AI, a core challenge for world models is adapting to sudden, persistent, yet initially unknown changes in robot dynamics during interaction. For instance, when a robotic arm grasps an object with an unknown payload, the robot dynamics change suddenly. If the world model fails to adapt, its prediction errors accumulate over the open-loop rollout and ultimately mislead the robot's actions. Existing world models, however, struggle to simultaneously satisfy three critical requirements for dynamics adaptation: responsiveness, reacting promptly to sudden changes to curb prediction error accumulation; stability, distinguishing persistent changes from transient disturbances to prevent incorrect updates; and persistence, retaining the adapted dynamics without new observations so that later predictions do not revert to the old dynamics. Inspired by predictive coding in the human brain with multi-timescale adaptation, we propose AFTER-WM, a world model with Adaptive Fast-slow Timescales for Error-driven Retention, whose prediction errors drive a fast correction that fades and a slow correction that persists, while dynamically adjusting the combination weights of pre-trained experts without altering them, to overcome the trade-offs among responsiveness, stability and persistence. On five simulated robot datasets and real UAV data, AFTER-WM has a lower multi-step mean error than all ten compared models and the highest mean return in a joint-failure control task. In simulation, its multistep mean error is 16%-34% below the strongest compared model's and is also the lowest 1-4 steps after a change and under transient disturbances alone, and its step-40 error is the lowest as well, reflecting responsiveness, stability and persistence. All code (method, baselines, experiments) and datasets will be released online.
- Abstract(参考訳): ロボット工学とAIの具体化において、世界モデルのコア課題は、相互作用中のロボットダイナミクスの急激かつ永続的、そして当初は未知の変化に適応することである。
例えば、ロボットアームが未知のペイロードで物体をつかむと、ロボットの動きが突然変化する。
世界モデルが適応に失敗した場合、その予測エラーはオープンループのロールアウトに蓄積され、最終的にロボットの動作を誤解させる。
しかし、既存の世界モデルは、応答性、迅速に反応して予測エラーの蓄積を抑えるための急激な変化、安定性、不正確な更新を防ぐための過渡的障害からの永続的な変化を区別すること、そして持続性、新しい観察なしに適応された力学を保ち、後の予測が古い力学に戻らないように、動的適応の3つの重要な要件を同時に満たすのに苦労している。
多段階適応による人間の脳内予測符号化に着想を得た後WM(Adaptive Fast-Slow Timescales for Error-Driven Retention)を提案する。このモデルでは,予測エラーがフェードする高速な修正と持続する遅い修正を駆動し,事前訓練された専門家の重み付けを変更せずに動的に調整し,応答性,安定性,持続性の間のトレードオフを克服する。
シミュレーションされた5つのロボットデータセットと実際のUAVデータに対して、After-WMは、比較した10モデルすべてよりもマルチステップ平均誤差が低く、共同障害制御タスクにおいて最も高い平均戻り値を持つ。
シミュレーションでは、マルチステップ平均誤差は最強比較モデルよりも16%-34%低く、また、変化後、過渡的乱れ単独で最低1-4ステップであり、ステップ40エラーは応答性、安定性、持続性を反映して最低である。
すべてのコード(メソッド、ベースライン、実験)とデータセットはオンラインでリリースされる。
関連論文リスト
- Physics-Aware Sparse Learning and Selective Online Adaptation for Euler-Lagrange Robot Dynamics [3.247008128557575]
学習に基づくほとんどの補正手法は, 1つの加算残差を導入することにより, 予測精度を向上させる。
本稿では,モデルミスマッチを慣性補正,対応するコリオリ項,一般化力残差に分解する構造保存残差学習フレームワークを提案する。
移動・航空・マニピュレータシステムを含む複数のロボットプラットフォームを対象とした実験により, 提案手法は, 結合および時間変化の動的条件下での動的予測と軌道追跡を改善することを示した。
論文 参考訳(メタデータ) (2026-06-08T15:36:00Z) - Balancing Accuracy and Efficiency: Adaptive Dynamics Orchestration for Model Predictive Control [8.262724319342945]
高忠実度力学モデルは、軌道のロールアウト中に複雑な車両とテランの相互作用を正確に予測できるが、計算コストは相当である。
軽量モデルは高速な更新と高密度サンプリングを可能にするが、安全クリティカルな条件下で誤った予測を発生させる可能性がある。
本稿では,現在のナビゲーションコンテキストに対して最適な動的モデルを動的に選択するフレームワークであるAdaptive Dynamics Orchestration (ADO)を提案する。
論文 参考訳(メタデータ) (2026-05-22T19:05:25Z) - PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。
我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。
本手法は,結合予測システムの長期安定性を著しく向上させる。
論文 参考訳(メタデータ) (2026-05-09T13:12:33Z) - Adapting Neural Robot Dynamics on the Fly for Predictive Control [7.805013939786426]
オフライントレーニングと効率的なオンライン更新を組み合わせた,ニューラルロボットダイナミックモデルの迅速な適応のためのアプローチを提案する。
本研究では,新しい動作条件下でのロバストな予測追従制御を実現するために,実四足歩行ロボットのアプローチを実証する。
論文 参考訳(メタデータ) (2026-04-05T09:45:26Z) - Shape Control of a Planar Hyper-Redundant Robot via Hybrid Kinematics-Informed and Learning-based Approach [42.55947704321053]
ハイパー冗長ロボットは、厳密で非構造的な環境での操作をうまく行うことができる。
到達可能な作業空間を拡張するために,多段式フレキシブルラック作動型平面ロボットを開発した。
本研究では,SpatioCoupledNet というハイブリッドキネマティクス・インフォームド・学習型形状制御手法を提案する。
論文 参考訳(メタデータ) (2026-03-11T04:35:06Z) - InternVLA-A1: Unifying Understanding, Generation and Action for Robotic Manipulation [77.07565723756119]
InternVLA-A1は動的予測機能を備えた視覚言語モデルである。
我々は、実世界のロボットデータ、合成シミュレーションデータ、人間のビデオなどを用いて、これらのモデルを異種データソース上で事前訓練する。
InternVLA-A1を実世界の12のロボットタスクとシミュレーションベンチマークで評価した。
論文 参考訳(メタデータ) (2026-01-05T18:54:29Z) - Physics-Informed Neural Controlled Differential Equations for Scalable Long Horizon Multi-Agent Motion Forecasting [3.795837769531959]
複数の自律ロボットの長距離移動予測は、非線形エージェント相互作用のため困難である。
長軸運動予測のためのニューラル制御微分方程式(CDE)に基づくモデルを構築した。
PINCoDEは将来の目標に設定されており、長い期間にわたってロボットの動きに関する物理学的な制約を課している。
論文 参考訳(メタデータ) (2025-10-01T01:27:07Z) - Action Flow Matching for Continual Robot Learning [54.10050120844738]
ロボット工学における継続的な学習は、変化する環境やタスクに常に適応できるシステムを求める。
本稿では,オンラインロボット力学モデルアライメントのためのフローマッチングを利用した生成フレームワークを提案する。
ロボットは,不整合モデルで探索するのではなく,行動自体を変換することで,より効率的に情報収集を行う。
論文 参考訳(メタデータ) (2025-04-25T16:26:15Z) - Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse
Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。
学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
論文 参考訳(メタデータ) (2022-09-07T15:15:12Z)
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。