論文『Action Jets: Learning the Local Shape of the Action-conditioned Data Manifold』は2026年10月14日(現地時間)にarXivに掲載され、アクション条件付き予測モデルにおける計算コストの削減手法を提示した。この研究では、低次元アクションで到達可能なフレームが低次元多様体上に存在することに着目し、その局所形状を直接推定するネットワーク「Action Jet」を導入した。
Worldモデルのような高次元で計算コストの高い予測モデルは、プランナーによるアクション候補の評価数を制限するという課題がある。本研究は、短期間のプランナーでは現在の状態に関する局所情報のみで十分であり、このコストは回避可能であると指摘した。カメラ移動やエンドエフェクタコマンドといった低次元アクションの変化によって到達可能なフレームが低次元多様体上に存在するとした。
「Action Jet」は、データ生成器から収集されたサンプルデータに基づき、各画像領域が各アクション軸単位でどのように移動するかを推定するネットワークとして訓練される。さらに、軌道データに適合した修正ヘッドが、この多様体領域の形状を3次テイラー多項式まで推定する。Action Jetは、このテイラー多項式によって記述される多様体形状を推定し、その有効半径を閉形式で計算する。
この局所多様体形状の近似を辿ることで、任意のアクション候補に対して状態ごとに一度の推論で済むことを示した。単一の抽出から16個の候補を評価する際、従来の生成器と比較して300倍以上高速である。プランナーが評価する候補数が増えるにつれて、この速度差はさらに拡大すると報告されている。
Action Jetは、最先端のアクション条件付き生成器であるIRASimとWorldGymを用いてBridgeData V2（実世界の7-DoFマニピュレーションベンチマーク）で、またFrameCrafterを用いてDL3DVシーンで評価された。Action Jetは、その接線を提供した生成器IRASimと比較して、短期間予測においてより正確にフレームを予測し、かつ100倍少ない計算量で実現した。
参考: arXiv cs.CV (アーカイブ) — 2026年10月15日 13:00 (JST)
原文ハイライト"Scoring sixteen candidates from a single extraction is over 300x faster"