身体化AIのための加法的・合成的潜在行動（レイテンシアクション）の学習
arXiv cs.CV / 2026/4/7
📰 ニュースSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、身体化AIにおける従来の潜在行動学習手法の限界を扱っており、これらの手法はしばしば物理的運動の加法的・合成的な構造に対する事前知識（priors）を欠いている。
- 本論文では、AC-LAM（Additively Compositional Latent Action Model）を導入し、潜在行動空間において短い時間範囲（short horizons）で、シーンごとの加法的合成の制約を課す。
- この手法は、潜在行動における恒等（identity）、逆（inverse）、および循環的一貫性（cycle consistency）といった単純な代数的性質を促進し、加法的に合成されない潜在情報を抑制する。
- 実験の結果、AC-LAMはより構造化され、運動に特化した、そして変位に較正された（displacement-calibrated）潜在行動を生成でき、下流のポリシー学習に対する教師信号（supervision）を改善することが示される。
- 著者らは、学習した潜在行動を用いたシミュレーション環境および現実世界の卓上（テーブルトップ）タスクの両方で、最先端（state-of-the-art）の性能を報告している。
