世界整合デコーディング：世界行動モデルのための自己検証型テスト時計画

World Action Models (WAMs) は、視覚的な未来を確率的に生成し、そこから行動をデコードすることでロボットを制御することを目指す。しかし、どの未来が選択されるかによって結果が大きく依存するという経験的観察がある。本論文は、World-Coherent-Decoding (WCD) を提案する。これは、WAMのロールアウトを反証可能な未来-行動仮説として扱う、自己検証型のテスト時計画フレームワークである。各決定ステップで、凍結されたWAMから複数の候補をサンプリングし、内部生成信号（視覚的妥当性のためのフローベースのビデオ驚き、行動生成安定性のための行動経路努力）を用いてランク付けする。実行後、実現された観測が選択された想像を監査し、想像と現実のミスマッチを生成し、将来の候補選択のための軽量なオンライン予測器を訓練する。これにより、遅延した自己検証を実行前の信頼性推定に変換し、バックボーンモデルを更新しない。

先行研究では、WAMの性能向上のために、より多くの未来をサンプリングするテスト時スケーリングが試みられてきたが、本手法は、単にサンプリング数を増やすのではなく、信頼性の高い未来を選択することに焦点を当てている点が新しい。また、自己検証を実行後の観測に基づいて行い、それをオンライン予測器で事前の選択にフィードバックするという、遅延自己検証の枠組みを導入している。これにより、バックボーンモデルを更新せずに、テスト時に適応的な選択が可能となる。

手法の肝は、WAMのロールアウトを反証可能な仮説とみなし、複数の候補を生成して内部生成信号でランク付けすること。具体的には、フローベースのビデオ驚き（視覚的妥当性）と行動経路努力（行動生成の安定性）を用いる。さらに、実行後の観測と選択された想像のミスマッチを計算し、それを訓練データとして軽量なオンライン予測器を学習する。この予測器は、将来の候補選択のための事前の信頼性推定に使用される。バックボーンモデルは凍結されたままで、追加の訓練は行わない。

RoboTwin 2.0 ベンチマークで評価し、限られたランダムシーン教師あり学習の下で、Hard成功率を55.80%から60.90%に改善した。特に、Horizon-3タスクでは+16.43のゲインを達成。さらに、実機のFrankaを用いた視覚シフトテストで定性的なロバスト性を示した。

要旨からは、議論の詳細は不明。ただし、テスト時スケーリングは、より多くの未来をサンプリングすることよりも、信頼性の高いものを選択することに依存するという原則を強調している。また、提案手法はバックボーンモデルを更新しないため、計算コストが低い可能性があるが、オンライン予測器の訓練には実行後の観測が必要であり、実環境での適用には遅延が生じる可能性がある。

要旨で参照されている関連研究は明示されていないが、World Action Models (WAMs) の基礎となる研究や、テスト時計画、自己検証、モデルベース強化学習、ビデオ予測に基づくロボット制御などの分野の論文が関連する。具体的には、WAMの元論文や、テスト時スケーリングに関する研究、フローベースの予測誤差を用いた研究などが挙げられる。