日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

VLA/操作arXiv:2604.03181

SpatialVAM: 空間認識型マルチビュービデオ拡散によるデータ効率的なロボットポリシー

SpatialVAM:Spatial-Aware Multi-View Video Diffusion as a Data-Efficient Robot Policy

シェア:XThreadsFacebookLINEはてブBluesky

3D空間構造と時間変化を同時に捉えるため、空間認識型のマルチビューヒートマップビデオとRGBビデオを生成する初の3Dビデオ行動モデルを提案し、少数のデモで汎用的な操作を実現した。

詳しい要約

1. どんなもの?

SpatialVAMは、3D空間構造と時間的進化を同時に理解するロボットマニピュレーションのためのポリシー。 - 初の3D Video Action Modelで、空間認識マルチビューヒートマップ動画とRGB動画を同時予測する。 - データ効率が高く、10本のデモ軌道のみで長期的・接触の多いタスクを処理し、分布外設定に汎化し、現実的な未来動画を予測する。 - Meta-World、RoboCasa、実世界ロボットで既存手法を上回る。

2. 先行研究と比べてどこがすごい?

既存のポリシーは2D視覚観測や静的画像-テキストペアで事前学習されたバックボーンに依存し、データ要求が高く環境動態の理解が限定的だった。 - SpatialVAMは3D情報を動画基盤モデルに自然に注入し、動画事前学習と行動ファインチューニング間の表現形式を整合させる。 - その結果、追加事前学習なしで10本のデモ軌道のみで、他のvideo action models、vision language action models、3D-based policiesを一貫して上回る。

3. 技術・手法の肝は?

鍵となる洞察は、空間認識マルチビューヒートマップ動画とRGB動画を同時予測する設計。 - これにより3D情報が動画基盤モデルに自然に注入される。 - また、動画事前学習と行動ファインチューニングの表現形式が整合する。 - 具体的なアーキテクチャや学習手順の詳細は要旨からは不明。

4. どうやって有効だと検証した?

Meta-World(22%向上)、RoboCasa(15%向上)、実世界ロボットプラットフォーム(16%向上)で評価。 - 10本のデモ軌道のみ、追加事前学習なしで、長期的・接触の多いタスク、分布外設定、現実的な未来動画予測を検証。 - 他のvideo action models、vision language action models、3D-based policiesと比較し、一貫して上回ることを示した。

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、スケーラビリティに関する議論は記載されていない。 - 今後の課題や倫理的考慮についても言及なし。

6. 次に読むべき論文は?

要旨で参照/比較されている研究:video action models、vision language action models、3D-based policies。 - 具体的な論文名は要旨に記載なし。 - 同分野の定番として、RoboCasa、Meta-World、vision-language-actionモデル(例:RT-2、OpenVLA)、video actionモデル(例:UniPi、SuSIE)などが関連。 - ただし要旨に明示的な参照はないため、一般名として挙げる。

※ 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: Peiyan Li, Yixiang Chen, Yuan Xu, Jiabing Yang, Xiangnan Wu, Jun Guo, Nan Sun, Long Qian, Xinghang Li, Xin Xiao, Jing Liu, Nianfeng Liu, Tao Kong, Yan Huang, Liang Wang, Tieniu Tan

分類: cs.RO, cs.CV

原文アブストラクト

Robotic manipulation requires understanding both the 3D spatial structure of the environment and its temporal evolution, yet most existing policies neglect one or both aspects. They often rely on 2D visual observations or backbones pretrained on static image--text pairs, which leads to high data requirements and limited comprehension of environment dynamics. To address this, we introduce SpatialVAM, the first 3D Video Action Model that simultaneously predict spatial-aware multi-view heatmap videos and RGB videos. Our key insight is that this design naturally injects 3D information into video foundation models while aligning the representation format between video pretraining and action finetuning. Extensive experiments demonstrate that SpatialVAM enables data-efficient, robust, generalizable, and interpretable manipulation. With only ten demonstration trajectories and no additional pretraining, SpatialVAM handles challenging long-horizon and contact-rich tasks, generalizes to out-of-distribution settings, and predicts realistic future videos. Evaluations on Meta-World (22\%$\uparrow$), RoboCasa (15\%$\uparrow$) and real-world robotic platforms (16\%$\uparrow$) show that SpatialVAM consistently outperforms other video action models, vision language action models and 3D-based policies, establishing a new state-of-the-art in data-efficient multi-task manipulation.

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