日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

視覚運動ポリシーarXiv:2603.07875

観察対象の選択:視覚運動ポリシーのためのタスク認識型意味幾何表現

Choose What to Observe: Task-Aware Semantic-Geometric Representations for Visuomotor Policy

シェア:XThreadsFacebookLINEはてブBluesky

RGB画像とタスク関連エンティティの指定から、対象物とロボットをセグメント化し、意味色と深度情報を統合した標準的な3チャンネル画像表現を構築する観察インターフェースを提案。外観変化に対するロバスト性を向上させる。

詳しい要約

1. どんなもの?

- 視覚運動政策の観測インターフェースを提案 - RGB画像とタスク関連エンティティのopen-vocabulary指定を入力 - SAM3で対象物体とロボット/グリッパをセグメント - セグメント領域を意味色で再描画しL0観測を構築 - 幾何的手がかりが必要なタスクではDepth Anything 3の単眼深度を注入しL1観測を生成 - 3チャネル画像様入力を維持し、政策の変更や微調整なしでOOD外観変化に頑健化

2. 先行研究と比べてどこがすごい?

- 従来の視覚運動政策は生RGB観測のnuisance視覚因子に過適合し、背景変化や物体再着色で脆くなる - 提案は政策を変更・微調整せずにOOD外観変化への頑健性を改善 - 意味色再描画と深度注入により共有表現へ正規化 - 分布内性能を維持しつつOOD視覚シフトで大幅改善 - 複数ベンチマークと政策バックボーンで有効性を示す

3. 技術・手法の肝は?

- タスク認識型観測インターフェース - RGB画像とopen-vocabulary指定からSAM3で対象物体とロボット/グリッパをセグメント - セグメント領域を事前定義意味色で再描画し一定背景上に配置(L0) - 幾何的手がかりが必要な場合、Depth Anything 3の単眼深度をセグメント領域にdepth-guided overwriteで注入(L1) - L1は標準3チャネル画像様入力を維持 - 政策の変更や微調整は不要

4. どうやって有効だと検証した?

- RoboMimic (Lift)で評価 - ManiSkill YCB grasping under clutterで評価 - 制御された外観シフト下の4つのRLBenchタスクで評価 - 実世界Frankaタスク2つ(ReachXとCloseCabinet)で評価 - 政策バックボーンはFlow Matching PolicyとSmolVLA - 分布内性能を維持しつつOOD視覚シフトで大幅改善を確認

5. 議論はある?

- 要旨からは不明 - 限界や失敗事例、計算コスト、セグメンテーション誤りへの感度などは記述なし

6. 次に読むべき論文は?

- SAM3 - Depth Anything 3 - Flow Matching Policy - SmolVLA - RoboMimic - ManiSkill - RLBench - Franka - ReachX - CloseCabinet

※ 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: Haoran Ding, Liang Ma, Yaxun Yang, Wen Yang, Tianyu Liu, Anqing Duan, Xiaodan Liang, Dezhen Song, Ivan Laptev, Yoshihiko Nakamura

分類: cs.RO

原文アブストラクト

Visuomotor policies learned from demonstrations often overfit to nuisance visual factors in raw RGB observations, resulting in brittle behavior under appearance shifts such as background changes and object recoloring. We propose a task-aware observation interface that canonicalizes visual input into a shared representation, improving robustness to out-of-distribution (OOD) appearance changes without modifying or fine-tuning the policy. Given an RGB image and an open-vocabulary specification of task-relevant entities, we use SAM3 to segment the target object and robot/gripper. We construct an L0 observation by repainting segmented entities with predefined semantic colors on a constant background. For tasks requiring stronger geometric cues, we further inject monocular depth from Depth Anything 3 into the segmented regions via depth-guided overwrite, yielding a unified semantic--geometric observation (L1) that remains a standard 3-channel, image-like input. We evaluate on RoboMimic (Lift), ManiSkill YCB grasping under clutter, four RLBench tasks under controlled appearance shifts, and two real-world Franka tasks (ReachX and CloseCabinet). Across benchmarks and policy backbones (Flow Matching Policy and SmolVLA), our interface preserves in-distribution performance while substantially improving robustness under OOD visual shifts.

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