予測された未来だけでは不十分：ロボットマニピュレーションのための実行可能な目標の学習

- 3D trace world model から実行可能な終端ゴールを明示的に出力する学習型インターフェース『Entity-Level Goal Readout』を提案 - object-centric pose prediction と観測 depth に基づく translation を組み合わせ、SE(3) のコンパクトなゴールを生成 - 共有された Pose-Native Executor がこの固定ゴールを online object-pose feedback と共に消費し、world model を再実行せず closed-loop control を実現 - 5つの manipulation タスクで平均成功率 79.69% を達成

- 従来の generative world model は未来予測のみを監督し、terminal goal accuracy が明示的な学習目的になっていなかった - 幾何学的復元が可能でも、制御に必要なコンパクトなタスク変数を直接露出しない問題があった - 本研究は prediction-to-execution interface を world-model planning の明示的な学習コンポーネントとして扱う点が新しい - 制御パイプラインにおける偶発的な後処理ではなく、学習対象として扱うことを主張

- Entity-Level Goal Readout: 3D trace world model の出力から実行可能な終端ゴールを明示的に読み出す学習型インターフェース - object-centric pose prediction と観測 depth に基づく translation を統合し、SE(3) のコンパクトなゴールを生成 - Pose-Native Executor: 固定ゴールと online object-pose feedback を消費する共有エグゼキュータ - world model を再実行せずに closed-loop control を実現

- 5つの manipulation タスクで平均成功率 79.69% を達成 - Goal diagnostics により terminal goal accuracy を直接測定 - 制御された translation perturbations でゴール誤差下の実行劣化を特性評価 - Franka arm への zero-shot 展開: nominal StackCube 73.33%、distractors あり 66.67%、policy training 中に未見のターゲットを含む PickPlate 75.00%

- prediction-to-execution interface を world-model planning の明示的な学習コンポーネントとして扱うべきと主張 - 制御パイプラインにおける偶発的な後処理ではないと位置づけ - 要旨からは限界や失敗事例、計算コスト、一般化範囲に関する詳細な議論は不明

- 要旨で参照/比較されている具体的な先行研究は明示されていない - 関連手法として generative world models、object-centric pose prediction、SE(3) ゴール表現、closed-loop control、Franka arm を用いた manipulation 研究が挙げられる - 同分野の定番として world model ベースの planning や model-based reinforcement learning の文献を読むべき