GeoPredict: 予測キネマティクスと3Dガウス幾何を活用した高精度VLAマニピュレーション

- GeoPredictは、Vision-Language-Action (VLA) モデルを拡張したgeometry-awareなフレームワーク。 - 連続行動policyに、予測的なkinematic priorとgeometric priorを付与する。 - 軌道レベルモジュールでロボットアームの多段3D keypoint軌道を予測。 - 予測的3D Gaussian geometryモジュールでworkspace geometryを予測・refineする。 - 精密な3D推論を要するロボットmanipulationタスクを対象とする。

- 既存VLAは主にreactiveかつ2D-centricで、精密な3D推論が必要なタスクでは信頼性が低い。 - GeoPredictは予測的kinematicsと3D Gaussian geometryをpolicyに組み込み、geometry-intensiveでspatially demandingな状況での性能向上を狙う。 - 実験では強いVLAベースラインを一貫して上回ると報告。 - 推論時に3D decodingを必要とせず、軽量な追加query tokenのみで済む点が実用上の差異。

- 軌道レベルモジュールがmotion historyをencodeし、ロボットアームのmulti-step 3D keypoint trajectoriesを予測。 - 予測的3D Gaussian geometryモジュールがworkspace geometryをforecastし、future keypoint trajectoriesに沿ってtrack-guided refinementを行う。 - これらの予測モジュールはdepth-based renderingによるtraining-time supervisionとしてのみ使用。 - 推論時は軽量な追加query tokensのみを要求し、3D decodingは呼び出さない。

- RoboCasa Human-50、LIBERO、実世界manipulationタスクで評価。 - 強いVLAベースラインと比較し、GeoPredictが一貫して上回ることを示す。 - 特にgeometry-intensiveかつspatially demandingなシナリオで有効性を確認。 - 詳細な評価指標やablationは要旨からは不明。

- 予測モジュールをtraining-time supervisionに限定し、推論時は軽量query tokensのみとする設計の妥当性が議論点。 - 3D Gaussian geometryのforecastとtrack-guided refinementの寄与度は要旨からは不明。 - 実世界タスクでの汎化性や失敗ケースの分析は要旨からは不明。 - 計算コストやリアルタイム性に関する議論は要旨からは不明。

- 比較対象のstrong VLA baselines（具体的名称は要旨からは不明）。 - 関連手法として3D Gaussian Splatting、keypoint trajectory prediction、depth-based rendering。 - ベンチマークとしてRoboCasa Human-50、LIBERO。 - 同分野の定番としてOpenVLA、RT-2、Diffusion PolicyなどVLA/模倣学習の代表的論文。