再計画ではなく修正：閉ループWorld-Actionモデルのための修正可能な視覚プラン

- ロボット行動を条件づける予測視覚未来を、実行フィードバック後に破棄せず修正する枠組み。 - 提案手法は Revisable Temporal Planning (RTP)。 - 視覚未来を persistent action condition として保持し、フィードバック後に revision する。 - 対象は closed-loop world-action models。 - 評価は RoboMME と RMBench。

- 従来の world-action models は予測視覚未来を行動条件に使うが、実行フィードバックで予測の一部が無効化される問題がある。 - 予測全体を再生成するのではなく、タスク構造を活かして修正する点が異なる。 - 要旨では具体的な先行研究名との比較は述べられていない。 - 要旨からは不明。

- 視覚未来を persistent action condition として維持する。 - 中心機構は learned revision bridge。 - 視覚生成中に保存した intermediate state を再開し、現在の観測に合わせて continuation を適応させる。 - visual と action の supervision が revision を後続制御に接続する。 - time-aware history が観測証拠を供給する。 - adaptive policy が retention、bridge revision、fresh replanning を新たな noise から選択し、次行動を decode する。

- RoboMME と RMBench で評価。 - task-averaged success rates はそれぞれ 48.6% と 84.8%。 - matched comparisons が learned continuation を支持。 - checkpoint-source と action-prefix の効果は正と推定されるが、精度はより低い。 - 結果は feedback-driven visual-plan revision と closed-loop task performance を結びつける。

- 実行フィードバックが予測の一部を無効化してもタスク構造は有用であり得る点を議論。 - 予測視覚未来の修正が closed-loop 性能に寄与することを示す。 - checkpoint-source と action-prefix の効果推定は精度が限定的。 - その他の限界や議論は要旨からは不明。

- 要旨で参照・比較されている個別研究は明示されていない。 - 関連手法として world-action models、visual future prediction、closed-loop robot control が挙げられる。 - 評価ベンチマークの RoboMME と RMBench に関連する論文を次に読むべき。 - 要旨からは不明。