日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

3Dアフォーダンス検出arXiv:2605.01365

VoxAfford: オープンボキャブラリ3Dアフォーダンス検出のためのマルチスケールボクセルトークン融合

VoxAfford: Multi-Scale Voxel-Token Fusion for Open-Vocabulary 3D Affordance Detection

シェア:XThreadsFacebookLINEはてブBluesky

3D点群上のオープンボキャブラリアフォーダンス検出において、MLLMの出力トークンに事前学習済み3D VQVAEのマルチスケール幾何特徴を融合する手法を提案し、mIoUを約8%向上させた。

詳しい要約

1. どんなもの?

- オープンボキャブラリな3Dアフォーダンス検出を目的とした手法。 - ポイントクラウド上で、新規のアフォーダンス記述に基づきインタラクション領域を特定する。 - 従来のMLLM拡張手法の課題を克服するため、Voxel-enhanced Affordance detection (VoxAfford)を提案。 - 凍結した3D VQVAEエンコーダからマルチスケール幾何特徴を抽出し、生成後の出力トークンに注入する。

2. 先行研究と比べてどこがすごい?

- 従来法はMLLMに特殊出力トークンを追加し、自己回帰生成でセグメンテーションマスクをデコード。 - しかし自己回帰生成は逐次依存をモデル化し、空間的近傍関係を捉えられず、3D位置特定には空間情報が乏しい。 - VoxAffordは生成後のトークンにマルチスケール幾何特徴を注入することでこのボトルネックを回避。 - 結果としてオープンボキャブラリ3Dアフォーダンス検出でmIoU約8%向上のSOTAを達成。

3. 技術・手法の肝は?

- 凍結した3D VQVAEエンコーダからマルチスケール幾何特徴を取得。 - 各出力トークンはアフォーダンス意味をクエリとし、対応するボクセルスケールからクロスアテンションで関連幾何パターンを検索。 - 学習された互換性ゲートが注入強度を制御。 - 強化されたトークンは意味条件付きアテンションで空間認識アフォーダンスプロンプトに集約され、ポイント単位特徴と共に伝播され最終マスクを生成。

4. どうやって有効だと検証した?

- オープンボキャブラリ3Dアフォーダンス検出タスクで実験を実施。 - mIoUが約8%改善し、最先端性能を達成。 - 実ロボット実験により、新規物体へのゼロショット転移を確認。

5. 議論はある?

- 要旨からは不明。

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究:MLLMを拡張し特殊出力トークンをデコードする手法、3D VQVAEエンコーダ。 - 関連手法:オープンボキャブラリ3Dアフォーダンス検出、クロスアテンション、セマンティックセグメンテーション。

※ 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: Haowen Sun, Shaolong Zhang, Mingyang Li, Chengzhong Ma, Xinzhe Chen, Qiongjie Cui, Xingyu Chen, Zeyang Liu, Xuguang Lan

分類: cs.CV, cs.RO

原文アブストラクト

Open-vocabulary 3D affordance detection requires localizing interaction regions on point clouds given novel affordance descriptions. Recent methods extend multimodal large language models (MLLMs) with special output tokens that are decoded into segmentation masks. However, these tokens are produced through autoregressive generation, which models sequential dependencies rather than spatial neighborhood relations, leaving them semantically rich but spatially impoverished for 3D localization. We propose Voxel-enhanced Affordance detection (VoxAfford), which bypasses this bottleneck by injecting multi-scale geometric features from a frozen pre-trained 3D VQVAE encoder into the output tokens after generation. Each output token uses its affordance semantics as a query to retrieve relevant geometric patterns from its paired voxel scale via cross-attention, with a learned compatibility gate controlling the injection strength. The enhanced tokens are then aggregated into a spatially-aware affordance prompt through semantic-conditioned attention and propagated alongside per-point features to generate the final mask. Experiments on open-vocabulary affordance detection tasks show that VoxAfford achieves state-of-the-art performance with approximately an 8% improvement in mIoU, and real robot experiments confirm zero-shot transfer to novel objects.

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