ナビゲーション2026/8/29arXiv:2608.28995v1

Hydra: 離散潜在プランニングと連続フローマッチング実行を備えたナビゲーション世界行動モデル

Hydra: A Navigation World Action Model with Discrete Latent Planning and Continuous Flow-Matching Execution

世界モデルを用いたロボットナビゲーションのリアルタイム制御を実現するため、プランナーをモデル内部に統合し、離散潜在空間でのプランニングと連続軌道生成を組み合わせたHydraを提案した。

詳しい要約

1. どんなもの？

Hydraは、ロボットの実時間制御のためのWorld Action Modelを提案する。視覚状態・物理姿勢・制御アクションを統一的な潜在多様体上に埋め込み、モダリティ別のVector-Quantizedボトルネックで離散化し、kinodynamic intentsとvisual statesの語彙を構築する。プランナーをモデル内部に組み込み、離散潜在空間上で計画（Discrete Latent Planning, DLP）を行い、選択されたintentをConditional Flow Matchingで連続軌道に変換して実行する。

2. 先行研究と比べてどこがすごい？

従来のWorld Modelは生成モデルとプランナーが異なる多様体上で動作し、プランナーが候補をピクセル空間にデコードして評価するため計算コストが高く実時間制御が困難だった。Hydraはプランナーをモデル内部に移動し、共有潜在多様体上でサンプリングと評価を直接行うことで、デコードを不要にし、実時間制御を可能にした点が革新的。

3. 技術・手法の肝は？

手法の核心は、視覚状態・物理姿勢・制御アクションを統一潜在多様体に埋め込み、モダリティ別のVector-Quantizedボトルネックで離散化してkinodynamic intentsとvisual statesの語彙を構築すること。プランナーはこの共有多様体から候補をサンプリングし、Kinematic-Perceptual Costで評価する（DLP）。さらに、離散intentをConditional Flow Matchingで連続軌道にマッピングして実行する。

4. どうやって有効だと検証した？

2つの物理ロボットプラットフォームで評価し、目標指向計画において最先端のWorld Modelを上回り、閉ループ実行性能では主要なreactive foundation policiesと同等以上であることを示した。

5. 議論はある？

要旨からは、離散計画と連続実行の組み合わせの有効性が示されたが、計算コストやスケーラビリティ、他のタスクへの汎用性などに関する議論は不明。また、Kinematic-Perceptual Costの設計や、Flow Matchingの条件付けの詳細も要旨からは不明。

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、World Models、Vector-Quantized models、Flow Matching、reactive foundation policiesが挙げられる。具体的には、DreamerやIRISなどのWorld Model、VQ-VAE、Flow Matchingの論文、RT-2やOctoなどのreactive policiesが関連する。

※ 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: Mohammad Nazeri, Alexandyr Card, Samira Huber, Anuj Pokhrel, Yujun Wang, Ruben Hammele, Daeun Song, Sören Pirk, Xuesu Xiao

分類: cs.RO, cs.CV

原文アブストラクト

World models let robots imagine possible futures, but exploiting this capability for real-time control is bottlenecked by a representation misalignment: the generative model and the planner operate on decoupled manifolds, so the planner has no shared structure to search over and must instead decode every candidate back into high-dimensional pixel space to evaluate it. This decoding step is a major obstacle to real-time control on physical hardware. In this paper, we present Hydra, a discrete World Action Model that closes this gap by moving the planner, both the sampler and the evaluator, inside the model. Hydra establishes a unified latent manifold over visual states, physical poses, and control actions, then compresses this manifold through modality-specific Vector-Quantized bottlenecks into discrete vocabularies of kinodynamic intents and visual states. Because candidates are now drawn directly from this shared manifold, sampling is informed by the model's own understanding of the observation rather than proposed blind, and evaluation happens natively within the discrete space: candidates are ranked by a Kinematic-Perceptual Cost, without ever decoding to pixels. We term this Discrete Latent Planning (DLP). Because planning over discrete intents alone cannot supply the smooth, continuous commands physical actuation requires, Hydra pairs DLP with conditional Flow Matching, which maps each selected intent to a continuous trajectory for execution. Evaluated on two physical robotic platforms, Hydra outperforms state-of-the-art world models in goal-directed planning, while matching or exceeding the closed-loop execution capabilities of leading reactive foundation policies.

arXivで原文を読む →arXiv概要ページ