日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

占有予測arXiv:2604.28115

FreeOcc: 学習不要の身体化オープンボキャブラリ占有予測

FreeOcc: Training-Free Embodied Open-Vocabulary Occupancy Prediction

シェア:XThreadsFacebookLINEはてブBluesky

3Dアノテーションやカメラ姿勢の真値を使わず、SLAMと視覚言語モデルを組み合わせて、単眼またはRGB-Dシーケンスからオープンボキャブラリの占有マップを構築する学習不要のフレームワークを提案した。

詳しい要約

1. どんなもの?

- 単眼またはRGB-D系列からopen-vocabulary occupancy predictionを行うtraining-freeフレームワークFreeOccを提案。 - 3Dアノテーション、pose ground truth、学習段階を一切必要としない。 - SLAM backbone、Gaussian update、vision-language modelのsemantics、Gaussian-to-occupancy projectionの4層パイプラインで globally consistent なoccupancy mapを逐次構築。 - 新ベンチマークReplicaOccを導入し、zero-shotで新環境に転移可能。

2. 先行研究と比べてどこがすごい?

- 既存の学習ベース手法は大規模3Dアノテーションに依存し、環境間の汎化が乏しい。 - 先行のself-supervised手法はvoxel-level supervisionやground-truth camera posesを必要とする。 - FreeOccは3Dアノテーション、pose ground truth、学習段階を不要とし、pose-agnosticかつtraining-free。 - EmbodiedOcc-ScanNetでIoUとmIoUが先行self-supervised手法比で2倍以上改善。 - 新環境へのzero-shot転移でsupervised/self-supervisedベースラインを大幅に上回る。

3. 技術・手法の肝は?

- 4層パイプライン: - SLAM backboneがposeとsparse geometryを推定。 - geometrically consistent Gaussian updateでdense 3D Gaussian mapsを構築。 - off-the-shelf vision-language modelsのopen-vocabulary semanticsをGaussian primitivesに関連付け。 - probabilistic Gaussian-to-occupancy projectionでdense voxel occupancyを生成。 - 学習段階なし、3Dアノテーションなし、pose ground truthなしで動作。

4. どうやって有効だと検証した?

- EmbodiedOcc-ScanNetでIoUとmIoUが先行self-supervised手法比で2倍以上改善。 - 新ベンチマークReplicaOccを導入し、屋内open-vocabulary occupancy predictionを評価。 - FreeOccが新環境へzero-shot転移し、supervisedおよびself-supervisedベースラインを大幅に上回ることを示した。

5. 議論はある?

- 要旨からは不明。 - 限界や失敗ケース、計算コスト、リアルタイム性、SLAM精度への依存性などについての議論は要旨に記載なし。

6. 次に読むべき論文は?

- EmbodiedOcc-ScanNet(比較対象のデータセット/ベンチマーク) - ReplicaOcc(本論文で導入されたベンチマーク) - 先行のself-supervised occupancy prediction手法(具体的名称は要旨に記載なし) - off-the-shelf vision-language models(具体的名称は要旨に記載なし) - SLAM backbone(具体的名称は要旨に記載なし)

※ 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: Zeyu Jiang, Changqing Zhou, Xingxing Zuo, Changhao Chen

分類: cs.RO, cs.CV

原文アブストラクト

Existing learning-based occupancy prediction methods rely on large-scale 3D annotations and generalize poorly across environments. We present FreeOcc, a training-free framework for open-vocabulary occupancy prediction from monocular or RGB-D sequences. Unlike prior approaches that require voxel-level supervision and ground-truth camera poses, FreeOcc operates without 3D annotations, pose ground truth, or any learning stage. FreeOcc incrementally builds a globally consistent occupancy map via a four-layer pipeline: a SLAM backbone estimates poses and sparse geometry; a geometrically consistent Gaussian update constructs dense 3D Gaussian maps; open-vocabulary semantics from off-the-shelf vision-language models are associated with Gaussian primitives; and a probabilistic Gaussian-to-occupancy projection produces dense voxel occupancy. Despite being entirely training-free and pose-agnostic, FreeOcc achieves over $2\times$ improvements in IoU and mIoU on EmbodiedOcc-ScanNet compared to prior self-supervised methods. We further introduce ReplicaOcc, a benchmark for indoor open-vocabulary occupancy prediction, and show that FreeOcc transfers zero-shot to novel environments, substantially outperforming both supervised and self-supervised baselines. Project page: https://the-masses.github.io/freeocc-web/.

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