DDP-WM: 効率的なワールドモデルのための分離型ダイナミクス予測

- 自律ロボット計画のための World Model である DDP-WM を提案。 - 中心原理は Disentangled Dynamics Prediction (DDP)。 - 観測シーンの潜在状態進化は異質で、物理相互作用による疎な primary dynamics と文脈駆動の secondary background updates に分解可能と仮定。 - 効率的な履歴処理と dynamic localization を統合し primary dynamics を分離。 - cross-attention で背景更新を行い、資源配分を最適化し planner に滑らかな最適化地形を提供。

- 既存の dense Transformer ベース World Model は計算オーバーヘッドが大きく実時間展開を妨げる。 - DDP-WM は効率と性能のボトルネックに対処。 - 難しい Push-T タスクで、最先端 dense モデル比で約9倍の推論高速化。 - 同タスクで MPC 成功率を90%から98%へ改善。 - navigation、精密 tabletop manipulation、複雑な deformable/multi-body 相互作用など多様なタスクで効率と性能を達成。

- Disentangled Dynamics Prediction (DDP) の原理に基づく。 - 潜在状態進化を sparse primary dynamics と secondary context-driven background updates に分解。 - アーキテクチャは効率的な履歴処理と dynamic localization を統合し primary dynamics を分離。 - 背景更新に cross-attention 機構を採用。 - これにより資源配分を最適化し、planner に滑らかな最適化地形を提供。

- 多様なタスクで広範な実験を実施。 - タスクは navigation、精密 tabletop manipulation、複雑な deformable または multi-body 相互作用を含む。 - 特に Push-T タスクで評価。 - 最先端 dense モデルと比較し、約9倍の推論高速化と MPC 成功率90%→98%の改善を確認。

- 効率と性能のボトルネックに対処する promising path を示すと主張。 - 効率的で高忠実度な World Model 開発への道を開く。 - 具体的な限界や失敗ケース、議論の詳細は要旨からは不明。

- 要旨で参照/比較されているのは state-of-the-art dense models（具体的名称は要旨からは不明）。 - 関連手法として dense Transformer-based world models、MPC、Push-T task が挙げられる。 - 同分野の定番として World Models、Dreamer、PlaNet などが次に読む候補。