日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

世界モデルarXiv:2605.07079

残差潜在アクションによる視覚特徴ベース世界モデルの学習

Learning Visual Feature-Based World Models via Residual Latent Action

シェア:XThreadsFacebookLINEはてブBluesky

視覚特徴ベースの世界モデルにおいて、DINO残差から学習可能な新しい潜在アクション表現(RLA)を導入し、フローマッチングで予測することで、既存手法より高速かつ高精度な未来予測を実現した。さらに、ロボット学習への応用として、アクションなし動画からの行動学習や、オフライン動画のみで学習する視覚RLフレームワークを開発した。

詳しい要約

1. どんなもの?

- 本論文は、視覚特徴量ベースのWorld Modelを効率的に学習する手法を提案する。 - 従来の画像生成ベースのWorld Modelではなく、DINOの残差から学習可能なResidual Latent Action (RLA)を導入する。 - RLA World Model (RLA-WM)は、flow matchingによりRLA値を予測し、将来の視覚特徴量を生成する。 - シミュレーションと実世界データセットで、最先端の特徴量ベースおよびビデオ拡散World Modelを上回る性能を示す。 - さらに、RLA-WMを活用した2つのロボット学習手法を開発する。

2. 先行研究と比べてどこがすごい?

- 既存の特徴量ベースWorld Modelは直接回帰に依存し、複雑な相互作用でぼやけや崩壊が生じる問題があった。 - 高次元特徴空間での生成モデリングは依然として困難であった。 - 提案手法は、DINO残差から学習されるRLAを用いることで、これらの問題を克服する。 - RLA-WMは、特徴量ベースおよびビデオ拡散World Modelの両方を上回り、ビデオ拡散より桁違いに高速である。 - また、RLAは予測的で一般化可能であり、時間的進行をエンコードすることを示す。

3. 技術・手法の肝は?

- 新たな潜在行動表現であるResidual Latent Action (RLA)をDINO残差から学習する。 - RLAは予測的で一般化可能であり、時間的進行をエンコードする。 - RLA-WMは、flow matchingを用いてRLA値を予測するWorld Modelである。 - 2つのロボット学習技術を開発:1つはRLAを用いた最小限のWorld Action Modelで、行動なしのデモンストレーションビデオから学習する。 - もう1つは、オフラインビデオのみから学習したWorld Model内で完全に訓練される初の視覚RLフレームワークで、ビデオ整合報酬を使用し、オンライン相互作用や手作り報酬を必要としない。

4. どうやって有効だと検証した?

- シミュレーションと実世界データセットで評価を行い、RLA-WMが最先端の特徴量ベースおよびビデオ拡散World Modelを上回ることを示した。 - ビデオ拡散よりも桁違いに高速であることを確認した。 - 2つのロボット学習技術の有効性を検証した。 - 具体的な評価指標や実験設定の詳細は要旨からは不明。

5. 議論はある?

- 要旨からは、提案手法の限界や議論についての言及はない。 - 今後の課題や改善点については要旨からは不明。

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究:DINO、flow matching、ビデオ拡散World Model、特徴量ベースWorld Model。 - 関連手法:World Models、Visual RL、Robot Learning。 - 具体的な論文名は要旨からは不明。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Xinyu Zhang, Zhengtong Xu, Yutian Tao, Yeping Wang, Yu She, Abdeslam Boularias

分類: cs.CV, cs.AI, cs.LG, cs.RO

原文アブストラクト

World models predict future transitions from observations and actions. Existing works predominantly focus on image generation only. Visual feature-based world models, on the other hand, predict future visual features instead of raw video pixels, offering a promising alternative that is more efficient and less prone to hallucination. However, current feature-based approaches rely on direct regression, which leads to blurry or collapsed predictions in complex interactions, while generative modeling in high-dimensional feature spaces still remains challenging. In this work, we discover that a new type of latent action representation, which we refer to as *Residual Latent Action* (RLA), can be easily learned from DINO residuals. We also show that RLA is predictive, generalizable, and encodes temporal progression. Building on RLA, we propose *RLA World Model* (RLA-WM), which predicts RLA values via flow matching. RLA-WM outperforms both state-of-the-art feature-based and video-diffusion world models on simulation and real-world datasets, while being orders of magnitude faster than video diffusion. Furthermore, we develop two robot learning techniques that use RLA-WM to improve policy learning. The first one is a minimalist world action model with RLA that learns from actionless demonstration videos. The second one is the first visual RL framework trained entirely inside a world model learned from offline videos only, using a video-aligned reward and no online interactions or handcrafted rewards. Project page: https://mlzxy.github.io/rla-wm

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI