日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

VLAarXiv:2507.01099

ロボット操作のための幾何学認識4D動画生成

Geometry-aware 4D Video Generation for Robot Manipulation

シェア:XThreadsFacebookLINEはてブBluesky

複数視点の点群整合性を訓練時に監督することで、単一RGB-D画像から時空間的に整合した未来動画を生成し、ロボットの操作軌道復元に応用する4D動画生成モデルを提案。

詳しい要約

1. どんなもの?

- 物理世界のダイナミクスを理解・予測するための4Dビデオ生成モデル - ロボットマニピュレーションへの応用を目的 - 単一のRGB-D画像から新視点の未来ビデオを生成 - カメラポーズ入力不要 - 時空間的に整合したビデオを生成

2. 先行研究と比べてどこがすごい?

- 既存のビデオ生成モデルは時間的コヒーレンスとカメラ視点間の幾何学的整合性の両立が課題 - 提案手法はマルチビュー3D整合性を訓練時に強制 - 既存ベースラインと比較して視覚的安定性と空間的整合性が向上 - カメラポーズを入力に必要としない点が新しい

3. 技術・手法の肝は?

- クロスビューのpointmapアラインメントによる幾何学的監督 - 共有3Dシーン表現を学習 - 単一RGB-D画像から新視点の時空間的に整列した未来ビデオを生成 - カメラポーズを入力としない - 生成された4Dビデオから6DoFポーズトラッカーでロボットエンドエフェクタ軌道を復元

4. どうやって有効だと検証した?

- 複数のシミュレーションおよび実世界ロボットデータセットで評価 - 既存ベースラインと比較して視覚的安定性と空間的整合性が向上 - 生成4Dビデオから復元した軌道を用いたマニピュレーションポリシーが新規カメラ視点に汎化することを確認

5. 議論はある?

- 要旨からは不明(具体的な議論や限界は記載されていない)

6. 次に読むべき論文は?

- 関連手法: ビデオ生成モデル、6DoFポーズトラッカー、pointmapアラインメント - 比較対象の既存ベースライン(具体的名称は要旨から不明) - 同分野の定番: ロボットマニピュレーションのためのビデオ予測、マルチビュー3D再構成

※ 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: Zeyi Liu, Shuang Li, Eric Cousineau, Siyuan Feng, Benjamin Burchfiel, Shuran Song

分類: cs.CV, cs.AI, cs.LG, cs.RO

原文アブストラクト

Understanding and predicting dynamics of the physical world can enhance a robot's ability to plan and interact effectively in complex environments. While recent video generation models have shown strong potential in modeling dynamic scenes, generating videos that are both temporally coherent and geometrically consistent across camera views remains a significant challenge. To address this, we propose a 4D video generation model that enforces multi-view 3D consistency of generated videos by supervising the model with cross-view pointmap alignment during training. Through this geometric supervision, the model learns a shared 3D scene representation, enabling it to generate spatio-temporally aligned future video sequences from novel viewpoints given a single RGB-D image per view, and without relying on camera poses as input. Compared to existing baselines, our method produces more visually stable and spatially aligned predictions across multiple simulated and real-world robotic datasets. We further show that the predicted 4D videos can be used to recover robot end-effector trajectories using an off-the-shelf 6DoF pose tracker, yielding robot manipulation policies that generalize well to novel camera viewpoints.

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

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI