JEPA4Japan · チュートリアル
JA

第15章 — 目標条件付き計画：「今いる場所」から「行きたい場所」へ

1,123文字 4分で読めます #LeWorldModel#World Models#JEPA

現在画像と目標画像を同じ潜在空間へ符号化し、候補行動をrolloutして終端コストが最小の系列を選ぶ流れを学びます。

コース進捗 コース目次 48レッスン中 48件を公開中

第0部　読み方ガイド：私たちは何を学ぶのか

  1. 01 第0章 — はじめる前に 公開中

第1部　世界モデル：エージェントの頭の中にある実験場

  1. 02 第1章 — なぜエージェントには「未来を想像する」力が必要なのか 公開中
  2. 03 第2章 — なぜ次の画像をそのまま予測しないのか 公開中
  3. 04 第3章 — JEPAの発想：画面の複製ではなく意味を予測する 公開中
  4. 05 第4章 — 1枚の図でLeWMを理解する 公開中

第2部　画面を状態に変える：LeWMのモデル構造

  1. 06 第5章 — 軌跡データ：モデルにとって世界は画像集ではない 公開中
  2. 07 第6章 — 視覚エンコーダー：各フレームに「状態パスポート」を発行する 公開中
  3. 08 第7章 — 動力学予測器：頭の中で時間を前へ進める 公開中
  4. 09 第8章 — 完全な順伝播：1バッチを最初から最後まで追う 公開中

第3部　モデルの抜け道を防ぐ：予測損失とSIGReg

  1. 10 第9章 — 最も危険な近道：表現崩壊 公開中
  2. 11 第10章 — 予測損失：モデルはどのように次の一歩を学ぶのか 公開中
  3. 12 第11章 — SIGRegの直感：表現空間に「呼吸」をさせる 公開中
  4. 13 第12章 — 必要最小限の数学 公開中
  5. 14 第13章 — オリジナルLeWMのエンドツーエンド学習の仕組み 公開中
  6. 15 第14章 — すぐに表現崩壊しないモデルを訓練する 公開中

第4部　モデルを行動に使う：潜在空間での計画

  1. 16 第15章 — 目標条件付き計画：「今いる場所」から「行きたい場所」へ 現在のレッスン
  2. 17 第16章 — 潜在ユークリッド距離：便利だが、常に信頼できるとは限らない 公開中
  3. 18 第17章 — CEM：勝ち抜き方式で行動を探索する 公開中
  4. 19 第18章 — MPC：モデルを一度に長く信じすぎない 公開中
  5. 20 第19章 — 長期ロールアウト：小さな誤差が大事故へ育つまで 公開中
  6. 21 第20章 — 最小のLeWMプランナーをゼロから実装する 公開中

第5部　エンジニアリング再現：論文から動くシステムへ

  1. 22 第21章 — 公式リポジトリと実験環境 公開中
  2. 23 第22章 — 最初の実験：TwoRoomのスモークテスト 公開中
  3. 24 第23章 — 2つ目の実験：PushTを再現する 公開中
  4. 25 第24章 — 世界モデルを公平に評価する方法 公開中
  5. 26 第25章 — 失敗診断マニュアル 公開中

第6部　LeWMは何を学んだのか

  1. 27 第26章 — 線形プローブ：潜在状態にはどの物理量が含まれるのか 公開中
  2. 28 第27章 — 潜在空間を「健康診断」する 公開中
  3. 29 第28章 — 期待違反：モデルは「あり得ない出来事」に驚くのか 公開中
  4. 30 第29章 — 「世界を理解する」を厳密に語るには 公開中

第7部　「予測が正確」でも「計画がうまくいかない」のはなぜか

  1. 31 第30章 — 訓練目的と計画目的のあいだにある亀裂 公開中
  2. 32 第31章 — 大域的には表現崩壊していなくても、タスクに必要な動力学が保たれるとは限らない 公開中
  3. 33 第32章 — 等方ガウス事前分布はいつ強すぎるのか 公開中
  4. 34 第33章 — 長期計画：より遠くを予測するか、より賢く計画するか 公開中
  5. 35 第34章 — 位置の距離からタスクの進捗へ 公開中
  6. 36 第35章 — マルチタスク、実ロボット、視覚的外乱 公開中
  7. 37 第36章 — 理論的な境界：真の状態はいつ同定できるのか 公開中

第8部　再現者から研究者へ

  1. 38 第37章 — 信頼できるLeWM改良実験を設計する 公開中
  2. 39 第38章 — 実行可能な12の研究課題 公開中
  3. 40 第39章 — LeWM研究の未解決問題 公開中

付録　数学・実装・再現・査読のための参照資料

  1. 41 付録A — 最低限必要な数学ツールキット 公開中
  2. 42 付録B — PyTorch実装クイックリファレンス 公開中
  3. 43 付録C — テンソル形状の完全一覧 公開中
  4. 44 付録D — 実験設定カード 公開中
  5. 45 付録E — 論文タイムラインとエビデンスレベル 公開中
  6. 46 付録F — 用語集 公開中
  7. 47 付録G — 再現チェックリスト 公開中
  8. 48 付録H — 専門家査読チェックリスト 公開中

まず大きな絵

  1. currentrolloutのstart
  2. actioncandidate futureを作る
  3. goalfinish lineで待つ
  4. 順位付けCEMがplanをrefine
goalはplanning-time postcardです。imagined endpointを順位付けし、baseline dynamicsを学習・操縦しません。

sealed world modelはplanning時にcurrent observationと別のdestination postcardを受け取ります。

小さなお話

world modelはreward-free observation–action journeyからatlasを学び終えました。今、travelerがcurrent photographとdestination postcardを持ってきます。atlasはconsequenceを予測できますが、predictionだけでは好みがありません。postcardが好みを与えます。

latent atlasはwall、direction、time、data supportを歪めているかもしれません。goal imageはsuccess detector、route、trainingに使ったreward、destinationがreachableというproofではありません。

技術バックパック

current/goal observationは同じfrozen visual encoderを使うため、coordinateを比較できます。ただしroleは別です。

current history -> dynamicsのinitial condition
candidate actions -> dynamicsのcontrol
goal image -> terminal comparisonだけ

current historyとcandidate actionを固定してgoalだけswapしても、baseline rolloutは変わりません。rankingだけ変わるはずです。goalのpreprocessing、camera、environment、supportはcheckpointのinput contractと合う必要があります。shared encoderでもmismatched crop/normalizationは修復できません。

CEMはhorizon Hのcomplete action sequenceをsampleします。各candidateは同じcurrent latent historyから始まり、独自actionを受け取ります。frozen predictorが各sequenceをautoregressive rolloutします。baselineはlatent tokenを出し、videoではありません。またcalibrated confidenceなしのdeterministic pathを1本出します。

各candidateについて、frozen criterionはfinal predicted latentを取り、次を計算します。

J(a0:H-1) = sum_d (z_hat_H[d] - z_goal[d])^2

scoreするのはterminal tokenだけです。wall、collision、intermediate safety、control effort、route length、support penaltyを明示的に見ません。squared Euclidean distanceはrepresentation learning後にcheap/parameter-freeですが、定義上reachabilityではありません。

CEMはlow-cost sampleをeliteにしaction proposalをrefitします。「best」は常に、このfrozen model、terminal cost、finite sample、recorded solver conventionの下での意味です。Appendix B本文はfinal proposal meanをreturnし、Algorithm 2はbest sampleまたはそのmeanのfirst actionも許します。LeWM repositoryはexternal solver revisionをpinしないため、exact reproductionでは記録が必要です。

したがってreward-free trainingとgoal-directed actionは両立します。task rewardなしでdynamicsを学び、inference-time objectiveがimagined futureの好みをsearchへ教えます。

だまされる仕掛け

fixed candidate populationを1回rolloutし、3つのsupported goal imagesだけをswapします。terminal latentは同じでcost orderだけ変わるはずです。rolloutが変わるなら、goalがdynamicsへleakしたかrandomnessが固定されていません。

次にimpossible/support-poor goalを使います。explicit abstention ruleを加えない限り、全candidateは数字を受け取り、CEMはplanを返します。numerical rankingはfeasibilityではありません。

protocol detailはresultを支配し得ます。LeWM v1/v2のTwoRoom goal offset/budgetは100/150、current v3は25/50へ改訂され、2 fieldsでrepositoryと一致します。独立auditは同じreleased weightsで2 protocol readingの14%対84%を報告しました。paired comparisonでは各episodeのrecorded targetと150-step budgetへ変えると84%から8%へ動きましたが、goal constructionとbudgetの両方が変わるためone-variable causal resultではありません。

実験レシート

LeWorldModel v3、固定jepa.py、eval.pyはfrozen goal-image planningとterminal latent costを裏づけます。

same-system Research Frontier follow-up arXiv:2608.12959v1は、1つのTwoRoom evidence chainでterminal latent L2がlong rangeで飽和後に低下し、alternative objectiveがbehaviorを変えたと報告しました。original LeWMにreachability headを加えるものでも、universal repairを確立するものでもありません。

3問クイックチェック

  1. dynamicsへ入る2 inputと、costだけへ入るinputは何ですか。
  2. unreachable goalでもCEM planが出るのはなぜですか。
  3. goal postcardだけswapしたとき、何が変わらないはずですか。