H-JEPA, 시각 계획을 위한 계층적 월드 모델 학습
H-JEPA: End-to-End Learning of Hierarchical World Models for Visual Planning
- 매체
- arXiv
- 게시
- 중요도
- 3/5
- 화제 지수
- 6
한국어 요약
연구팀이 각 수준이 자신의 학습된 잠재 공간에서 더 먼 미래를 예측하는 액션 조건부 JEPA 계층을 학습하는 H-JEPA를 제안했다. 계획은 상향식으로 진행되며, 최상위 수준이 목표 달성을 최적화하고 각 수준의 예측이 아래 플래너의 부분 목표가 된다. Visual AntMaze에서 3단계 계층은 성공률을 18%에서 73%로 높였고 플래너 계산량은 감소했으며, 역동학 감독으로 실제 로봇 영상 데이터에도 확장된다.
원문 발췌 · English
Long-horizon planning with latent world models requires reasoning across timescales and levels of abstraction. Existing task-agnostic JEPA world models predict and plan in a single latent space, often at a single timescale. We introduce H-JEPA, an end-to-end recipe for training a hierarchy of action-conditioned JEPAs in which each level predicts farther ahead in its own learned latent space. Planning proceeds top-down: the top level optimizes progress toward the goal, and each level's predictions become subgoals for the planner below it. When factors in the data evolve at separated timescales, higher levels discard fast, unpredictable detail and retain slower task-relevant state. Across four simulated navigation and manipulation environments, hierarchical planning improves over a flat JEPA; on Visual AntMaze, a three-level hierarchy raises success from 18% to 73% using less planner compute. Ablations attribute these gains to both temporal decomposition and higher-level goal representations. With inverse-dynamics supervision, the approach extends to diverse real-robot videos from DROID, where hierarchy improves offline planning fidelity at lower planner compute.