日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

3D位置推定arXiv:2504.14151

Locate 3D: 自己教師あり学習による実世界3D物体位置推定

Locate 3D: Real-World Object Localization via Self-Supervised Learning in 3D

シェア:XThreadsFacebookLINEはてブBluesky

センサー点群に適用可能な自己教師あり学習手法3D-JEPAを提案し、言語指示に基づく3D物体位置推定を実現。新データセットも構築し、ロボットやARでの実世界展開を可能にした。

詳しい要約

1. どんなもの?

- 3Dシーン内の物体を参照表現(例:「ソファとランプの間にある小さなコーヒーテーブル」)に基づいてローカライズするモデルLOCATE 3Dを提案。 - センサ観測ストリーム(ポーズ付きRGB-Dフレーム)に直接適用でき、ロボットやARデバイスでの実世界展開を可能にする。 - 標準的なreferential groundingベンチマークで最先端性能を達成し、堅牢な汎化能力を示す。

2. 先行研究と比べてどこがすごい?

- 従来の手法と比較して、標準ベンチマークで新しいstate-of-the-artを達成。 - センサ観測ストリームから直接動作し、実世界展開が可能である点が優れている。 - 新たに導入したLOCATE 3D DATASETにより、汎化能力の系統的な研究が可能になり、より強力なモデルを実現。

3. 技術・手法の肝は?

- 鍵となるのは3D-JEPA:センサ点群に適用可能な新しい自己教師あり学習(SSL)アルゴリズム。 - 入力は2D基盤モデル(CLIP, DINO)で特徴量化された3D点群。 - 潜在空間でのマスク予測をpretext taskとして用い、文脈化された点群特徴の自己教師あり学習を支援。 - 学習後、3D-JEPAエンコーダを言語条件付きデコーダと共にファインチューニングし、3Dマスクとバウンディングボックスを jointly 予測。

4. どうやって有効だと検証した?

- 標準的なreferential groundingベンチマークで評価し、最先端性能を達成。 - 新データセットLOCATE 3D DATASET(複数のキャプチャ設定にわたり130K以上のアノテーション)を用いて、汎化能力を系統的に研究。 - 具体的な実験設定や比較手法の詳細は要旨からは不明。

5. 議論はある?

- 要旨からは不明。 - ただし、LOCATE 3D DATASETが汎化能力の系統的研究を可能にし、より強力なモデルを実現したと述べられている。

6. 次に読むべき論文は?

- 3D-JEPAの基盤となった自己教師あり学習手法(例:JEPA, MAE) - 2D基盤モデル:CLIP, DINO - 参照表現に基づく3D物体ローカリゼーションの先行研究(例:ScanRefer, ReferIt3D) - 点群の自己教師あり学習手法(例:PointContrast, Point-BERT)

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Sergio Arnaud, Paul McVay, Ada Martin, Arjun Majumdar, Krishna Murthy Jatavallabhula, Phillip Thomas, Ruslan Partsey, Daniel Dugas, Abha Gejji, Alexander Sax, Vincent-Pierre Berges, Mikael Henaff, Ayush Jain, Ang Cao, Ishita Prasad, Mrinal Kalakrishnan, Michael Rabbat, Nicolas Ballas, Mido Assran, Oleksandr Maksymets, Aravind Rajeswaran, Franziska Meier

分類: cs.CV, cs.AI, cs.RO

原文アブストラクト

We present LOCATE 3D, a model for localizing objects in 3D scenes from referring expressions like "the small coffee table between the sofa and the lamp." LOCATE 3D sets a new state-of-the-art on standard referential grounding benchmarks and showcases robust generalization capabilities. Notably, LOCATE 3D operates directly on sensor observation streams (posed RGB-D frames), enabling real-world deployment on robots and AR devices. Key to our approach is 3D-JEPA, a novel self-supervised learning (SSL) algorithm applicable to sensor point clouds. It takes as input a 3D pointcloud featurized using 2D foundation models (CLIP, DINO). Subsequently, masked prediction in latent space is employed as a pretext task to aid the self-supervised learning of contextualized pointcloud features. Once trained, the 3D-JEPA encoder is finetuned alongside a language-conditioned decoder to jointly predict 3D masks and bounding boxes. Additionally, we introduce LOCATE 3D DATASET, a new dataset for 3D referential grounding, spanning multiple capture setups with over 130K annotations. This enables a systematic study of generalization capabilities as well as a stronger model.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI