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:2511.22445

DIPOLE: 視覚と幾何を融合したロバストな視覚運動汎化

DIPOLE: Fusing Vision and Geometry for Robust Visuomotor Generalization

シェア:XThreadsFacebookLINEはてブBluesky

視覚と言語・幾何の相補的なモダリティを訓練時のドロップアウトとクロスアテンションで融合し、照明や視点変化に強い拡散ポリシーを実現した。

詳しい要約

1. どんなもの?

- 視覚と幾何の相補的なモダリティを融合する visuomotor policy の提案 - 名称は DIffusion POlicy with compLementarity Encoders (DIPOLE) - 専用の融合アーキテクチャではなく、学習時のメカニズムで融合を実現 - imitation learning における観察エンコーダ設計の問題を対象 - 照明・テクスチャ・視点・物体配置・物体同一性の変化への頑健性を狙う

2. 先行研究と比べてどこがすごい?

- 既存手法はテスト時の条件がデモと異なると性能が低下しやすい - DIPOLE は専用融合アーキテクチャに頼らず学習時メカニズムで相補性を獲得 - 18 の simulated タスクと 4 の real-world タスクで 6 つの baseline を平均 39.1% 上回る - 未見の視覚的 distractor 下で 41.5%、ランダムな物体配置で 15.2% の改善 - 単一モダリティを超える創発的能力と未見物体への zero-shot transfer を示す

3. 技術・手法の肝は?

- modality-wise dropout により各学習ステップで一方の branch をマスク - これにより各モダリティが単独でも情報を持つよう促す - 軽量な cross-attention layer で二つのモダリティ間の相補的手がかりを交換 - 視覚と幾何の complementary encoders を組み合わせる設計 - diffusion policy を基盤とする

4. どうやって有効だと検証した?

- 18 の simulated タスクと 4 の real-world タスクで評価 - 6 つの baseline と比較し平均 39.1% の改善を報告 - 未見の視覚的 distractor 下で 41.5% の改善 - ランダム化された物体配置下で 15.2% の改善 - sub-centimeter 精度の空間汎化、未見物体への zero-shot transfer を確認

5. 議論はある?

- 要旨からは不明(具体的な限界や失敗事例の議論は記載なし) - 五つの強みとして多様なタスクでの安定性能、視覚変化への頑健性、空間汎化、創発能力、zero-shot transfer を主張 - modality-wise dropout と cross-attention の寄与の詳細な分析は要旨からは不明

6. 次に読むべき論文は?

- diffusion policy に関する元研究 - 視覚と幾何を融合する visuomotor policy の既存手法(6 つの baseline の具体名は要旨からは不明) - imitation learning における observation encoder 設計の関連研究 - 視覚的 distractor や物体配置変化に対する汎化を扱うロボティクス研究

※ 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: Yikai Tang, Haoran Geng, Jindou Jia, Yuxuan Hu, Sheng Zang, Jianfei Yang, Pieter Abbeel, Jitendra Malik

分類: cs.RO

原文アブストラクト

Imitation learning has emerged as a crucial approach for acquiring visuomotor skills from demonstrations, where designing effective observation encoders is essential for policy generalization. However, existing methods tend to struggle once test-time conditions differ from the demonstrations, such as changes in lighting, texture, viewpoint, object placement, or object identity. To address this challenge, we propose DIffusion POlicy with compLementarity Encoders (DIPOLE), a visuomotor policy that learns to fuse complementary modalities through a training-time mechanism rather than a specialized fusion architecture. A modality-wise dropout masks one branch at each training step, encouraging each modality to remain individually informative. A lightweight cross-attention layer then exchanges complementary cues between the two. This design endows DIPOLE with five core strengths: stable high performance across diverse tasks, robustness to visual changes, spatial generalization at sub-centimeter precision, emergent capability beyond either modality, and zero-shot transfer to unseen objects. Across 18 simulated and 4 real-world tasks, DIPOLE outperforms six baselines by 39.1% on average, with gains of 41.5% under unseen visual distractors and 15.2% under randomized object placement.

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

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI