論文要約 · 2026-10-05 · arXiv (Cornell University)

複雑な視覚的計画のために階層構造を学習するAIモデル H-JEPAを開発

H-JEPA: End-to-End Learning of Hierarchical World Models for Visual Planning

ヤン・ルカンほか4名

ロボット・フィジカルAI ワールドモデル・マルチモーダル

原文を読む ↗ PDF ↗

何を: 時間帯に応じて抽象化のレベルを分けて学習する階層的世界モデルである H-JEPAを開発しました。
主な結果: シミュレーション環境と実ロボットの映像実験において、従来の単一レベルモデルよりも計画の成功率が高くなり、計算効率が向上しました。
意味: 複雑な長期計画が必要なロボット制御や視覚的タスクにおいて、効率を高めることに寄与できます。

研究の背景

潜在世界モデルを用いた長期計画の策定は、複数の時間帯や抽象化レベルでの推論を必要としますが、従来の汎用 JEPA モデルは単一の時間帯や単一の共有空間でのみ予測と計画を行うという限界がありました。

手法

各段階が独自の学習済み潜在空間でより遠い未来を予測するように、行動条件付き JEPA の階層構造を端から端まで（エンドツーエンドで）学習させる方式を導入しました。

主な結果

4つのシミュレーション環境において階層的計画が従来の単一モデルより優れた性能を示し、Visual Ant_Maze 環境では3段階の階層により成功率が18パーセントから73パーセントに上昇し、計画の演算量が減少しました。

限界・確認すべき点

アブストラクトの内容だけでは、実ロボット環境での具体的な成功率の数値を確認することはできません。

用語解説

潜在世界モデル — AIが周囲環境の物理法則や状況を内部の圧縮された情報として理解し予測するモデル
JEPA — 人間のように周囲環境を見て細部ピクセルをいちいち合わせるのではなく、全体的な意味や抽象的特徴を予測して学習する人工知能モデル

この要約は論文の抄録をもとにAIが作成し、運営者が確認しました。このページの要約は、運営者が確認した韓国語版をもとにAIが翻訳したものです。詳しい数値や文脈は原文でご確認ください。

本ページは公開論文・公式発表・報道を整理した情報提供用の資料です。論文要約は抄録をもとにAIが作成し運営者が確認したもので、原文と異なる場合があるため、重要な内容は原文をご確認ください。特定銘柄の売買推奨や投資助言ではありません。人事異動は公式発表または主要報道を出典として表示し、経歴の一部はウィキデータ（CC0）を参照しています。このページの要約は、運営者が確認した韓国語版をもとにAIが翻訳したものです。