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:2607.00457

進化する環境における身体化エージェントのためのマルチスケール世界モデル混合

Multi-scale Mixture of World Models for Embodied Agents in Evolving Environments

シェア:XThreadsFacebookLINEはてブBluesky

環境変化に応じたマルチスケール推論と知識適応を実現するため、スケール認識型の世界モデル混合と進化を導入したMuSixフレームワークを提案。

詳しい要約

1. どんなもの?

MuSixは、実世界の環境変化に対応する身体化エージェントのための、マルチスケールな世界モデル混合フレームワークである。Mixture of Experts (MoE)を適用する際の2つの課題、すなわちルーティングにスケールの明示的な概念がなく特定スケールへの更新ができないことと、各スケールの知識が陳腐化する速度が異なるのに一様な更新ポリシーでは対応できないこと、に対処する。

2. 先行研究と比べてどこがすごい?

従来のMoEベースの手法は、スケールの概念を明示せず、更新ポリシーも一様であるため、環境変化に応じた知識の適応が不十分だった。MuSixは、Construal Level Theoryに着想を得た経験的距離に基づくスケール選択と、スケール依存の忘却率を導入することで、マルチスケール推論と動的適応を改善した点が新しい。

3. 技術・手法の肝は?

手法の核は2段階ルーティング機構とスケール依存の適応である。まずメタルーターが経験的距離(状況的新規性の尺度)を連続スケール空間上の重みに写像し、次に各スケールのベースルーターがそのスケール内の世界モデルを選択する。適応では、スケール依存の忘却率により低スケールの知識は急速に更新され、高スケールの抽象知識は持続する。さらに、ゲート付きスケール間転送により階層間の一貫性を維持する。

4. どうやって有効だと検証した?

EmbodiedBenchとHAZARDのベンチマークで実験を行い、マルチスケール推論と動的適応のタスクにおいて、state-of-the-artのベースラインを上回る性能を示した。

5. 議論はある?

要旨からは、提案手法の限界や特定の条件下での性能低下などの議論は不明である。また、経験的距離の計算方法や、スケール空間の定義の詳細、他の環境での汎用性については要旨に記載がない。

6. 次に読むべき論文は?

要旨で参照されている関連研究として、EmbodiedBenchとHAZARDのベンチマーク論文、およびConstrual Level Theoryの基礎論文が挙げられる。また、MoEの一般的な手法に関する論文(例えば、Sparsely-Gated MoE)も関連する。

※ 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: Jinwoo Jang, Daniel J. Rho, Sihyung Yoon, Hyunsuk Cho, Honguk Woo

分類: cs.AI

原文アブストラクト

Embodied agents operating in the real world require multi-scale reasoning and knowledge adaptation as conditions change. We identify two challenges in applying Mixture of Experts (MoE) to this setting: routing lacks an explicit notion of scale, preventing targeted updates at specific scales, and a uniform update policy cannot accommodate the different rates at which knowledge at each scale becomes outdated. We present MuSix, a framework that addresses both challenges through scale-aware world model mixture and evolution. A two-stage routing mechanism grounds scale selection in experiential distance, a measure of situational novelty inspired by Construal Level Theory: a meta-router first maps this quantity to a weight over continuous scale space, then per-scale base routers select world models within the identified scale. For adaptation, scale-dependent forgetting rates allow low-scale knowledge to refresh rapidly while high-scale abstractions persist, and gated inter-scale transfer maintains coherence across the hierarchy. Experiments on EmbodiedBench and HAZARD show that MuSix improves over state-of-the-art baselines on multi-scale reasoning and dynamic adaptation.

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. 2newmo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
  3. 3GXO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
  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

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI