Elastic-WAM：効率的なロボット制御のための適応的時空間想像

- World-Action Models（WAM）によるロボット制御の推論コスト削減手法「Elastic-WAM」の提案。 - 将来の視覚ダイナミクスを予測する際の反復的な video denoising の計算を、時間方向（denoising step）と空間方向（future region）の両方で適応的に配分する。 - タスクや状態ごとに好ましい refinement depth が異なり、future region ごとに action 生成への関連度が異なるという実証的観察に基づく。 - 推論時は学習済みの refinement demand field が recurrent sparse world refinement を導き、成功率向上と推論オーバーヘッド削減を両立させる。

- 従来の partial future denoising 系手法は固定の refinement budget に依存していた。 - 本手法は refinement depth がタスク・状態ごとに異なる点、future region ごとに関連度が異なる点を実証的に示し、固定予算の限界を動機づけている。 - 時間・空間の両軸で計算を適応配分する点が先行研究との差分。 - 多様な simulation benchmark と real-world long-horizon manipulation で state-of-the-art の制御性能と低推論レイテンシを報告。

- 統一的な spatiotemporal refinement demand field を導入し、world refinement を止めるタイミング、各 denoising step の進め幅、refresh する領域を制御する。 - この field を shared temporal basis と spatial amplitudes でパラメータ化する。 - three-stage action-grounded supervised procedure で field を学習する。 - 推論時は学習済み field が recurrent sparse world refinement をガイドする。

- 多様な simulation benchmark での評価を実施。 - real-world long-horizon manipulation での評価を実施。 - 結果として state-of-the-art の制御性能と推論レイテンシ削減を報告。 - 具体的な benchmark 名や比較手法、指標の詳細は要旨からは不明。

- タスク・状態ごとに preferred refinement depth が異なること、future region ごとに関連度が異なることが観察の出発点。 - 固定 refinement budget 依存への批判的議論を含む。 - 推論オーバーヘッド削減と task success 向上の両立を主張。 - 限界や失敗ケース、計算コストの詳細な内訳は要旨からは不明。

- partial future denoising を用いた先行 World-Action Model 研究（具体名は要旨からは不明）。 - World-Action Models 全般の代表的研究。 - video denoising ベースのロボット制御・planning 手法。 - recurrent sparse world refinement に関連する sparse 推論手法。