ワールドモデル2026/9/8arXiv:2609.09418

Valerant: 行動条件付きワールドモデル探索による自動ナビゲーション可能ゲームマップ生成

Valerant: An Automatic Navigable Game Map Generator via Action-Conditioned World Model Exploration

事前学習済みの行動条件付きワールドモデルとSLAMベースの空間再構成を組み合わせ、1枚の画像から永続的な3Dゲームマップを自動生成する学習不要のフレームワークを提案。

詳しい要約

1. どんなもの？

- 3Dゲームマップを自動生成する training-free フレームワーク **Valerant** を提案。 - 事前学習済みの action-conditioned world model を **WAM (World Action Model)** として活用。 - 予測的な visual rollout と **SLAM** ベースの spatial reconstruction、exploration-driven action selection を組み合わせる。 - 単一画像から persistent な 3D ゲームマップへと段階的に変換する。 - 2D の視覚シミュレーションを超えて WAM ベースのインタラクションを拡張し、3D ゲームマップ作成の手作業削減を狙う。

2. 先行研究と比べてどこがすごい？

- 既存のゲーム向け手法は action-conditioned world model と外部 policy・reward function を組み合わせるが、主に 2D 視覚観測空間で動作し、persistent な 3D geometry を実体化しない。 - 自動運転やロボティクスでは物理環境がモデルとは独立に存在し、persistent な 3D 世界で行動を実行できるが、ゲームにはそのような外部基盤がない。 - Valerant は仮想世界そのものを実体化する必要があるという課題に対し、training-free で単一画像から persistent な 3D ゲームマップを構築する点が新しい。 - action-conditioned video rollout は視覚観測を与えるが spatial representation は与えないため、SLAM ベース再構成で補う点が先行研究と異なる。

3. 技術・手法の肝は？

- 事前学習済み action-conditioned world model を WAM として利用。 - predictive visual rollout と SLAM ベースの spatial reconstruction を結合。 - exploration-driven action selection により探索を進める。 - 単一画像を入力とし、段階的に persistent な 3D ゲームマップへ変換。 - training-free で動作する。

4. どうやって有効だと検証した？

- 要旨からは不明。

5. 議論はある？

- 要旨からは不明。

6. 次に読むべき論文は？

- 要旨で参照/比較されている具体的な研究名は不明。 - 関連手法として action-conditioned world model、WAM (World Action Model)、SLAM、visual rollout を挙げる。 - 同分野の定番として embodied AI における world model 研究やゲーム向け world model 研究が考えられるが、要旨からは特定できない。

※ 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: Yiran Qiao, Feng Wang, Jing Ma

分類: cs.AI

原文アブストラクト

World Action Models (WAMs) couple predictive world modeling with action generation, allowing anticipated future states to guide agent behavior. Although WAMs are rapidly advancing embodied AI, general-purpose counterparts remain largely unexplored in games. Existing game-oriented approaches often combine action-conditioned world models with external policies and reward functions to realize WAM-like decision-making, yet they operate mainly in 2D visual observation space and do not instantiate persistent 3D geometry. Extending this paradigm to 3D games introduces a distinct challenge. In autonomous driving and robotics, the physical environment exists independently of the model, providing a persistent 3D world in which selected actions can be executed. Games have no such external substrate; the virtual world itself must be instantiated. Most playable games require a persistent and navigable space, while 3D games additionally require explicit geometry that supports movement and interaction. Action-conditioned video rollouts provide visual observations but not this spatial representation. We present \textsc{Valerant}, a training-free framework that transforms a pretrained action-conditioned world model into a WAM for exploring and constructing 3D game maps. By coupling predictive visual rollouts with SLAM-based spatial reconstruction and exploration-driven action selection, \textsc{Valerant} progressively transforms a single image into a persistent 3D game map. This framework extends WAM-based interaction beyond 2D visual simulation and offers a new approach to reducing manual effort in 3D game-map creation.

arXivで原文を読む →arXiv概要ページ