GeoAlign: セマンティクスを超えた状態誘導による空間的位置合わせをVLAモデルに導入

- Vision-Language-Action (VLA) モデル向けの新アーキテクチャ GeoAlign を提案。 - 意味的接地ではなく、幾何学的空間アラインメントと動的アフォーダンス選択を重視。 - ロボットの固有受容状態をガイドとして用い、RGB から幾何情報を抽出する。 - ポリシー実行時に Geometry-Enhanced Post-Trained (GEP) 特徴を生成し、状態が特徴グリッドをクエリしてコンパクトな位相依存幾何トークンを得る。 - これにより操作タスクの実行精度を向上させる。

- 従来の VLA モデルは意味的接地 (semantic grounding) の最適化に偏りがち。 - 実行可能な操作には幾何学的空間アラインメントと動的アフォーダンス選択が不可欠であることを指摘。 - GeoAlign は RGB 幾何ブランチをロボットドメインの RGB-D 教師ありでポストトレーニングし、GEP 特徴を得る点が新しい。 - 固有受容状態が GEP 特徴グリッドをクエリする仕組みにより、位相依存の幾何トークンを生成する点が先行研究と異なる。 - アブレーションで幾何ポストトレーニングと固有受容状態ガイド付きクエリの有効性を確認。

- RGB 幾何ブランチをロボットドメインの RGB-D 教師ありでポストトレーニング。 - これにより RGB から Geometry-Enhanced Post-Trained (GEP) 特徴を生成。 - ロボットの固有受容状態が GEP 特徴グリッドをクエリし、コンパクトで位相依存の幾何トークンを得る。 - 得られた幾何トークンを行動予測に利用。 - 状態ガイド付き空間アラインメントが肝。

- LIBERO で 99.0% の成功率を達成。 - SimplerEnv-Fractal の 3 タスクで 85.3% を達成。 - 幾何学が重要な実世界 ALOHA の 8 タスクで 78.8% を達成。 - アブレーションにより幾何ポストトレーニングと固有受容状態ガイド付きクエリの価値を確認。

- 要旨からは不明。

- 要旨で参照/比較されている研究は明示されていない。 - 同分野の定番として Vision-Language-Action (VLA) モデル、LIBERO、SimplerEnv、ALOHA 関連の研究が挙げられる。