論文の概要: Joint World Action Models through Differentiable Trajectory Optimization
- arxiv url: http://arxiv.org/abs/2611.17626v1
- Date: Fri, 13 Nov 2026 00:54:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.284519
- Title: Joint World Action Models through Differentiable Trajectory Optimization
- Title(参考訳): 微分軌道最適化による共同世界行動モデル
- Abstract要約: 共同世界行動モデル(WAM)は将来の行動を生成し、行動のみではなく世界行動軌道をモデル化する。
我々は、生成した動作と将来の状態を協調的に制御する、textbfworld Action trajectory Optimization (WATO)を提案する。
- 参考スコア(独自算出の注目度): 8.729531978655737
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Joint world action models (WAMs) generate future actions and states together, modeling world-action trajectories rather than actions alone. However, trajectory imitation does not ensure that these trajectories are task-effective or consistent with dynamics. We present \textbf{world action trajectory optimization (WATO)}, which optimizes generated actions and future states jointly for control. WATO uses both as references in a dynamics-constrained trajectory optimization problem and differentiates the task loss through the optimized trajectory to train the generator. This makes generated trajectories task-aware and dynamics-consistent while using trajectory optimization only during training. At deployment, WATO directly generates candidate trajectories and ranks them with a world model, without iterative trajectory optimization. Across $7$ visual control environments, WATO improves average success from $79.9\%$ for the imitation joint WAM to $91.7\%$, outperforming strong model-based, goal-conditioned RL, and generative control baselines. Compared with cross-entropy method (CEM), WATO is on average $11.5\times$ faster and uses $600.5\times$ fewer world model evaluations at deployment.
- Abstract(参考訳): 共同世界行動モデル(WAM)は将来の行動を生成し、行動のみではなく世界行動軌道をモデル化する。
しかし、軌跡模倣はこれらの軌跡がタスク有効か動的に整合していることを保証するものではない。
本稿では、生成した動作と将来の状態を協調的に制御する「textbf{world action trajectory Optimization (WATO)」を提案する。
WATOは、動的制約付き軌道最適化問題における参照としての両方を使用し、最適化された軌道を通してタスク損失を区別してジェネレータを訓練する。
これにより、生成されたトラジェクトリは、トレーニング中にのみトラジェクトリ最適化を使用しながら、タスク認識と動的一貫性を実現する。
デプロイメント時には、WATOは直接、候補軌跡を生成し、繰り返し軌跡を最適化することなく、それらを世界モデルにランク付けする。
7ドル(約7,600円)の視覚制御環境において、WATOは模倣ジョイントWAMの平均79.9.%ドルから9.7.%ドルに改善し、強力なモデルベース、ゴール条件付きRL、生成制御ベースラインを上回っている。
クロスエントロピー法(CEM)と比較して、WATOは平均11.5\times$より高速で、デプロイ時の世界モデル評価の削減に600.5\times$を使用する。
関連論文リスト
- Action Learning for Scientific Simulations [61.29273221991081]
私たちは$textbfLEAP$$textbfL$earned $textbfE$nergy on $textbfA$ction $textbfP$aths)を導入します。
LEAPは、基礎となるダイナミクスを回復し、時間にわたって依存関係をキャプチャし、推論対象と物理的条件間の転送を可能にする。
論文 参考訳(メタデータ) (2026-10-22T17:22:08Z) - Co-Harness: Co-Evolving Harnesses and Model Weights for LLM Agents [37.91666123749406]
Co-Harnessは、ポストトレーニング中にエージェントハーネスとモデルパラメータを共同で最適化するフレームワークである。
自律的なケーススタディによると、Co-Harnessはシステムのクラッシュから回復し、推論効率を改善し、人間の介入なしにアンサンブル戦略を発見することができる。
論文 参考訳(メタデータ) (2026-07-17T02:39:57Z) - BFMTrack: Latent Sequence Optimization for Physics-Based Motion Tracking with Behavioral Foundation Models [7.959692704349906]
行動基礎モデル(BFM)は、物理的に妥当な行動の豊富なレパートリーを、大規模な運動データセットによってガイドされた潜在空間に整理する。
これらのモデルは、ゴール取得や状態ベースの報酬最適化のような時間不変のタスクで優れているが、その潜在空間は、モーションシーケンスの追跡のような時間変化の目的を直接サポートしていない。
本稿では,これらの欠点に対処する新しいLatent Sequence Optimization(LSO)を提案する。
論文 参考訳(メタデータ) (2026-06-23T18:12:22Z) - HAD: Combining Hierarchical Diffusion with Metric-Decoupled RL for End-to-End Driving [51.268878540511054]
我々は階層的拡散政策を備えたエンドツーエンドの計画フレームワークであるHADを提案する。
我々は,NAVSIMとHUGSIMの両方でHADが新たな最先端性能を実現することを示す。
論文 参考訳(メタデータ) (2026-04-04T04:12:47Z) - Optimizing Control-Friendly Trajectories with Self-Supervised Residual Learning [10.551597725130675]
現実世界の物理学は、現代の複雑なロボットシステムに対して、一定の精度で解析的にのみモデル化できる。
本稿では、上記の課題に対処するために、自己教師付き残差学習と軌道最適化の枠組みを提案する。
論文 参考訳(メタデータ) (2026-01-06T06:01:58Z) - Heteroscedastic Bayesian Optimization-Based Dynamic PID Tuning for Accurate and Robust UAV Trajectory Tracking [12.655695094805159]
HBO-PID は Heteroscedastic Bayesian Optimization フレームワークと古典的なコントローラを統合する新しい制御アルゴリズムである。
位置精度は24.7%から42.9%向上し、角精度は40.9%から78.4%向上した。
論文 参考訳(メタデータ) (2025-12-30T14:21:17Z) - Accurate and Efficient World Modeling with Masked Latent Transformers [58.0159270859475]
本研究では,MaskGIT予測を用いた空間潜在状態を用いた世界モデルであるEMERALDを紹介した。
Crafterベンチマークでは、EMERALDは最先端のパフォーマンスを新たに達成し、1000万の環境ステップで人間の専門家のパフォーマンスを上回る最初の方法となった。
論文 参考訳(メタデータ) (2025-07-05T15:49:21Z) - TGRPO :Fine-tuning Vision-Language-Action Model via Trajectory-wise Group Relative Policy Optimization [12.061547251822326]
Trajectory-based Group Relative Policy Optimization (TGRPO)は、Visual-Language-Action(VLA)モデルのためのオンラインRLベースのトレーニングフレームワークである。
TGRPOの平均成功率は80.7%で、これはスーパーバイザードファインチューニング(SFT)よりも4.2%高く、他の代表的RLベースのポストトレーニング手法よりも優れていた。
論文 参考訳(メタデータ) (2025-06-10T04:27:49Z) - Learning from Reward-Free Offline Data: A Case for Planning with Latent Dynamics Models [79.2162092822111]
我々は,一連のナビゲーションタスクにおいて,強化学習(RL)と制御に基づく手法を体系的に評価する。
我々は、JEPA(Joint Embedding Predictive Architecture)を使用して、潜在ダイナミクスモデルを使用し、それを計画に使用します。
その結果,モデルベースプランニングではレイアウトが不明瞭になるのに対して,モデルフリーのRLは高品質なデータから恩恵を受けることがわかった。
論文 参考訳(メタデータ) (2025-02-20T18:39:41Z) - STORM: Efficient Stochastic Transformer based World Models for
Reinforcement Learning [82.03481509373037]
近年,モデルに基づく強化学習アルゴリズムは視覚入力環境において顕著な有効性を示している。
本稿では,強力なモデリングと生成機能を組み合わせた効率的な世界モデルアーキテクチャであるTransformer-based wORld Model (STORM)を紹介する。
Stormは、Atari 100$kベンチマークで平均126.7%の人的パフォーマンスを達成し、最先端のメソッドの中で新しい記録を樹立した。
論文 参考訳(メタデータ) (2023-10-14T16:42:02Z)
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。