日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

模倣学習/操作arXiv:2603.17720

VolumeDP: 操作ポリシー学習のためのボリューム表現モデリング

VolumeDP: Modeling Volumetric Representation for Manipulation Policy Learning

シェア:XThreadsFacebookLINEはてブBluesky

2D画像から直接3D動作を予測する既存手法の2D-3Dミスマッチを解消するため、画像特徴を3Dボリューム表現に変換し、タスク関連ボクセルを選択して動作予測を行う新しいポリシーアーキテクチャを提案した。

詳しい要約

1. どんなもの?

VolumeDPは、ロボティックマニピュレーションのための模倣学習ポリシーアーキテクチャ。2D画像観測から直接3D行動を出力する既存手法の2D-3Dミスマッチを解消するため、3D空間で明示的に推論する。画像特徴をcross-attentionでVolumetric Representationに持ち上げ、学習可能なモジュールでタスク関連voxelを選択し、コンパクトなspatial tokensに変換。multi-token decoderが全token集合を条件に行動を予測する。LIBEROで88.8%の成功率を達成し、ManiSkillやLIBERO-Plus、実世界実験でも有効性を示す。

2. 先行研究と比べてどこがすごい?

既存の視覚模倣手法は2D画像観測を直接3D行動出力にマッピングし、2D-3Dミスマッチが空間推論を妨げロバスト性を低下させていた。VolumeDPは3D空間で明示的に推論することで空間的整合性を回復する。LIBEROシミュレーションベンチマークで平均成功率88.8%を達成し、最強ベースラインを14.8%上回る。ManiSkillやLIBERO-Plusでも大きな性能向上を示し、実世界でも新規空間配置、カメラ視点、環境背景へのロバストな汎化を実現した。

3. 技術・手法の肝は?

VolumeDPはまずcross-attentionにより画像特徴をVolumetric Representationへ持ち上げる。次に学習可能なモジュールでタスク関連voxelを選択し、コンパクトなspatial tokens集合に変換することで計算量を大幅に削減しつつ行動に重要な幾何情報を保持する。最後にmulti-token decoderがtoken集合全体を条件として行動を予測する。これにより複数のspatial tokensを単一記述子に集約する損失的な集約を回避する。

4. どうやって有効だと検証した?

LIBEROシミュレーションベンチマークで平均成功率88.8%を達成し、最強ベースラインを14.8%上回った。ManiSkillおよびLIBERO-Plusベンチマークでも先行手法を大きく上回る性能向上を示した。さらに実世界実験を行い、新規空間配置、カメラ視点、環境背景に対する高い成功率とロバストな汎化を実証した。

5. 議論はある?

要旨からは不明。

6. 次に読むべき論文は?

LIBERO、ManiSkill、LIBERO-Plusベンチマーク。関連手法として2D画像観測から3D行動を直接出力する既存の視覚模倣学習手法が比較対象として挙げられる。

※ 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: Tianxing Zhou, Feiyang Xue, Zhangchen Ye, Tianyuan Yuan, Hang Zhao, Tao Jiang

分類: cs.RO

原文アブストラクト

Imitation learning is a prominent paradigm for robotic manipulation. However, existing visual imitation methods map 2D image observations directly to 3D action outputs, imposing a 2D-3D mismatch that hinders spatial reasoning and degrades robustness. We present VolumeDP, a policy architecture that restores spatial alignment by explicitly reasoning in 3D. VolumeDP first lifts image features into a Volumetric Representation via cross-attention. It then selects task-relevant voxels with a learnable module and converts them into a compact set of spatial tokens, markedly reducing computation while preserving action-critical geometry. Finally, a multi-token decoder conditions on the entire token set to predict actions, thereby avoiding lossy aggregation that collapses multiple spatial tokens into a single descriptor. VolumeDP achieves a state-of-the-art average success rate of 88.8% on the LIBERO simulation benchmark, outperforming the strongest baseline by a substantial 14.8% improvement. It also delivers large performance gains over prior methods on the ManiSkill and LIBERO-Plus benchmarks. Real-world experiments further demonstrate higher success rates and robust generalization to novel spatial layouts, camera viewpoints, and environment backgrounds. Code and videos are available on the project page: https://yzc0731.github.io/VolumeDP/

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