ω-EVA: 潜在的な対話型世界モデルによる想像・検証・行動

本論文は、embodied policy のための latent interactive world model である ω-EVA を提案する。 - 従来の embodied policy は観測から直接 action を出力し、候補行動の帰結を明示的に扱わない。 - ω-EVA は Envision–Verify–Act ループを latent 空間で実現する。 - 三つの段階からなる枠組みを学習する。 - 推論時に未来動画を生成せず、latent feature space で帰結推論を行う。 - 約 1.2B パラメータで、追加の robot-data pretraining を必要としない。

先行研究と比べた利点は以下の通り。 - 従来の world model は predictive supervision、representation、external simulation を提供するが、policy 自身の提案の想像上の帰結を行動前に検査させない。 - ω-EVA は world model を passive predictor ではなく active action-feedback module として機能させる。 - 推論時に未来動画を生成しないため、latent 空間での帰結推論により効率的である。 - 約 1.2B パラメータと追加 robot-data pretraining なしで、compact かつ competitive な performance–scale–data trade-off を示す。

技術や手法の肝は以下の通り。 - 三段階の枠組みを学習する。 - action-conditioned latent dynamics を学習する。 - dynamics-aware visual representations 上で language-conditioned flow policy を訓練する。 - policy の proposal を world model にフィードバックする。 - tri-branch refiner が current state、proposal-conditioned future、proposed action を jointly に推論し、最終 action chunk を生成する。 - 帰結推論を latent feature space に留めることで、推論時の未来動画生成を回避する。

有効性の検証は以下の通り。 - 多様な single-arm、bimanual、long-horizon、perturbed simulation 設定で評価した。 - 完全な interaction pipeline が proposal policy を一貫して改善することを示した。 - latent diagnostics が意味のある action-conditioned future structure を示唆した。 - 約 1.2B パラメータと追加 robot-data pretraining なしで、compact かつ competitive な performance–scale–data trade-off を実証した。

議論は以下の通り。 - world model を passive predictor ではなく active action-feedback module として位置づける点が主張されている。 - latent 空間での帰結推論により、推論時の未来動画生成を避ける利点が議論されている。 - 完全な interaction pipeline が proposal policy を改善することが示されている。 - ただし、実世界ロボットでの検証や限界については要旨からは不明。

次に読むべき論文は以下の通り。 - world model を用いた embodied policy の先行研究（predictive supervision、representation、external simulation を提供するもの）。 - language-conditioned flow policy に関する研究。 - action-conditioned latent dynamics を扱う研究。 - 要旨で具体的な論文名は参照されていないため、同分野の定番として world model ベースの robot learning や flow matching を用いた policy learning の論文が挙げられる。