日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

世界モデルarXiv:2606.01950

剛体オブジェクトのための行動条件付き・オブジェクト中心ガウシアンスプラッティング世界モデルの学習

Learning Action-Conditional and Object-Centric Gaussian Splatting World Models for Rigid Objects

シェア:XThreadsFacebookLINEはてブBluesky

オブジェクト中心のガウシアン表現と時空間トランスフォーマーを用いて、剛体オブジェクトの将来の動きを行動履歴から予測する世界モデルを提案し、非把持操作のモデル予測制御で評価した。

詳しい要約

1. どんなもの?

- 提案手法は、剛体オブジェクトの行動条件付きダイナミクスを学習する3Dワールドモデル「Multi Rigid Object Gaussian World Model (MRO-GWM)」。 - オブジェクト中心のGaussian表現を用いて、任意形状や複数オブジェクトのシーンを表現。 - 時空間transformerアーキテクチャにより、オブジェクトGaussianの履歴と将来の行動から将来の剛体運動を予測。 - カノニカルフレームのGaussianでオブジェクトを表現し、運動を剛体変換として記述。 - 複数視点からの再構成で訓練され、オクルージョンによる部分観測に対処。

2. 先行研究と比べてどこがすごい?

- 従来のワールドモデルと比べ、オブジェクト中心のGaussian表現により任意形状と複数オブジェクトのシーンを扱える点が新しい。 - 剛体運動を剛体変換として明示的にモデル化し、行動条件付き予測を実現。 - 複数視点再構成からの学習により、部分観測やオクルージョンに頑健。 - 具体的な先行研究との比較は要旨からは不明。

3. 技術・手法の肝は?

- オブジェクトをカノニカルフレームのGaussianで表現し、剛体変換として運動を記述。 - 時空間transformerアーキテクチャで、オブジェクトGaussianの履歴と将来の行動を入力し、将来の剛体運動を予測。 - 複数視点からの再構成を訓練に使用し、部分観測に対処。 - モデル予測制御に組み込み、非把持マニピュレーションに適用。

4. どうやって有効だと検証した?

- 合成データセット(典型的な家庭用オブジェクト、複数オブジェクトのダイナミクスとロボットエンドエフェクタによる相互作用を含む)で予測性能を分析。 - シミュレーションにおける非把持マニピュレーションのモデル予測制御で評価。

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は明記されていない。関連手法として、Gaussian Splatting、World Models、Model-Predictive Control、Rigid Body Dynamics、Transformerベースの予測モデルなどが挙げられる。

※ 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: Jens U. Kreber, Lukas Mack, Joerg Stueckler

分類: cs.RO, cs.CV, cs.LG

原文アブストラクト

World models enable intelligent agents to predict the consequences of their actions on the environment. In this paper, we propose Multi Rigid Object Gaussian World Model (MRO-GWM), a novel model that learns action-conditional dynamics of rigid objects in 3D. By representing the scene by object-centric Gaussians, we can represent arbitrary object shapes and multi-object scenes. We develop a novel spatio-temporal transformer architecture that predicts future rigid body motion from a history of object Gaussians and future actions. Objects are represented by their Gaussians in a canonical frame, which allows for describing object motion as rigid body transformation. Our model is trained on reconstructions from multiple viewpoints, which requires the model to handle partial observations of objects due to occlusions. We analyze prediction performance of our approach on synthetic datasets composed of typical household objects with multi-object dynamics and interactions by a robot end effector. We also evaluate our model in model-predictive control for non-prehensile manipulation in simulation.

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