ワールドモデル2026/9/12arXiv:2609.13845

LePlanner: ワールドモデル向け反復償却コントローラ

LePlanner: An Iterative Amortized Controller For World Models

凍結したワールドモデル上で潜在行動列を反復的に生成・洗練する償却型コントローラを提案し、探索ベースの計画手法と同等以上の性能を大幅に少ない計算量で実現した。

詳しい要約

1. どんなもの？

World models を JEPA で学習し、その潜在空間で計画するための amortized iterative controller である LePlanner を提案する。 - 凍結した world-model predictor を用いて latent action sequence を構築・洗練する。 - 推論時はオンライン最適化を必要とせず、軽量な反復ポリシーとして動作する。 - 対象は navigation、contact-rich manipulation、continuous-control 環境。

2. 先行研究と比べてどこがすごい？

探索ベースの planner とポリシーベース手法の課題を同時に緩和する点がすごい。 - CEM、MPPI、iCEM などの search-based planner は多数の predictor rollouts を要し、計算と遅延が大きい。 - ポリシーベース手法は単一 forward pass で amortize できるが、接触の多いタスクでは demonstration 分布が multimodal なため性能が劣化しうる。 - LePlanner は search-based planner と同等以上を、predictor evaluations を一桁少なく、wall-clock time を 3-49x 低減して達成する。

3. 技術・手法の肝は？

凍結した world-model predictor 上で latent action sequence を反復的に構築・洗練する amortized iterative controller である。 - arrival-and-hold objective により、可能な限り早い horizon で goal に到達し、そこに留まるよう学習する。 - これにより receding-horizon replanning で goal 到達が繰り返し先送りされる horizon-reset procrastination を緩和する。 - 追加の action-Gaussian loss で生成 action を offline dataset の support 付近に保つ。

4. どうやって有効だと検証した？

navigation、contact-rich manipulation、continuous-control 環境で評価している。 - search-based planner と比較して同等以上、predictor evaluations は一桁少なく、wall-clock time は 3-49x 低い。 - 成功率は PushT 98%、Reacher 100%、TwoRooms 100%、OGBench Cube 92%。 - これによりオンライン探索で見つかる構造の多くを軽量な反復ポリシーに amortize できることを示す。

5. 議論はある？

オンライン最適化なしで高速・horizon-aware・非線形な物理制御が可能であることを示す。 - オンライン探索の構造を amortize できるという主張が中心である。 - horizon-reset procrastination と offline dataset の support 外れが設計上の課題として議論されている。 - ただし限界や失敗ケースの詳細は要旨からは不明。

6. 次に読むべき論文は？

要旨で参照・比較されている研究や関連手法を挙げる。 - World models with joint-embedding predictive architectures (JEPA) - Search-based planners: CEM, MPPI, iCEM - Policy-based amortized methods - Benchmarks: PushT, Reacher, TwoRooms, OGBench Cube

※ 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: Saksham Bansal, Om Naphade, Chayan Aggarwal, Vrishin M

分類: cs.RO, cs.AI

原文アブストラクト

World models trained with joint-embedding predictive architectures learn compact, structured latent representations from physical interaction, yet planning in these latent spaces typically relies on one of two costly approaches. Search-based planners such as CEM, MPPI, and iCEM optimize action sequences through many predictor rollouts, achieving strong performance at the cost of high per-decision compute and latency. Policy-based methods amortize inference into a single forward pass but can degrade on contact-rich tasks where the demonstration distribution is multimodal. We propose LePlanner, an amortized iterative controller that learns to construct and refine latent action sequences through a frozen world-model predictor. LePlanner is trained with an arrival-and-hold objective that encourages the controller to reach the goal at the earliest feasible horizon and remain there. This addresses horizon-reset procrastination, a failure mode in which repeated receding-horizon replanning continually postpones goal arrival. An additional action-Gaussian loss keeps generated actions near the support of the offline dataset. Across navigation, contact-rich manipulation, and continuous-control environments, LePlanner matches or exceeds search-based planners while requiring an order of magnitude fewer predictor evaluations and 3-49x lower wall-clock time per decision. It achieves success rates of 98% on PushT, 100% on Reacher, 100% on TwoRooms, and 92% on the OGBench Cube task. These results show that much of the structure discovered through online search can be amortized into a lightweight iterative policy, enabling fast, horizon-aware, nonlinear physical control without online optimization.

arXivで原文を読む →arXiv概要ページ