日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

模倣学習arXiv:2607.29622

RayViT: 視点変動に頑健な模倣学習のためのレイ条件付き視覚表現

RayViT: Ray-Conditioned Visual Representations for Viewpoint-Robust Imitation Learning

シェア:XThreadsFacebookLINEはてブBluesky

カメラの幾何情報を事前学習済みViTに注入する軽量アーキテクチャRayViTを提案し、カメラの摂動に対する模倣学習の頑健性を向上させた。

詳しい要約

1. どんなもの?

RayViTは、視覚模倣学習(Visual Imitation Learning)におけるカメラ摂動に対するロバスト性を向上させるための、Ray-conditioned Vision Transformer Encoderという軽量なアーキテクチャを提案する。RGB観察には明示的な幾何学的手がかりが欠如しており、学習されたポリシーがカメラの摂動に対して脆弱であるという問題に対処する。RayViTは、事前学習済みのViTバックボーンにカメラ幾何学を注入する。具体的には、カメラ幾何学をPlücker ray mapとして表現し、それをパッチ化してray featuresとし、ゲート付きクロスアテンションを用いてray-conditioned class tokenを生成する。ray featuresは高密度な位置埋め込みとして追加され、ray class tokenは元のViTのclass tokenを置き換えて、幾何学を考慮した要約表現を提供する。

2. 先行研究と比べてどこがすごい?

先行研究では、RGB観察のみを用いる視覚模倣学習が一般的であり、カメラの位置や向きの変化に対して脆弱であることが知られていた。RayViTは、カメラ幾何学を明示的にエンコーダに注入することで、この問題に取り組む点が新しい。特に、事前学習済みのViTバックボーンを活用しつつ、軽量なアーキテクチャで幾何学情報を追加する点が優れている。また、補助的なコサイン類似度損失を導入することで、幾何学を考慮したトークンの性能とロバスト性を一貫して向上させている。

3. 技術・手法の肝は?

手法の核心は、カメラ幾何学をPlücker ray mapとして表現し、それをパッチ化してray featuresを生成すること。ray featuresは、ゲート付きクロスアテンションを介してray-conditioned class tokenを生成するために使用される。また、ray featuresは高密度な位置埋め込みとしてViTの各パッチに追加される。ray class tokenは元のclass tokenを置き換え、幾何学を考慮した要約表現を提供する。さらに、補助的なコサイン類似度損失を導入し、幾何学を考慮したトークンの学習を促進する。

4. どうやって有効だと検証した?

シミュレーションと実ロボットのタスクで検証を行った。マルチタスクのRoboCasaベンチマークにおいて、カメラ摂動下でのロバスト性が約13パーセントポイント向上した。また、実世界のマルチタスク成功率では、ベースラインと比較して平均完了ステージ数が1.78向上した。

5. 議論はある?

要旨からは、議論の詳細は不明である。ただし、提案手法がカメラ摂動に対するロバスト性を向上させる一方で、計算コストや他のモダリティへの拡張性などに関する議論が考えられるが、要旨には記載がない。

6. 次に読むべき論文は?

要旨で参照されているベースラインや関連手法は明示されていないが、視覚模倣学習の分野では、Behavior TransformersやDiffusion Policyなどの手法が関連する。また、カメラ幾何学を利用する点では、NeRFや3Dシーン表現を用いた手法も関連する可能性がある。

※ 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: Qian Wang, Longrui Chen, Peiran Sun, Aleksandar Taranovic, Niklas Freymuth, Ge Li, Weiran Liao, C. F. Maximilian Nagy, Yucheng Tan, Tao Chen, Gerhard Neumann

分類: cs.RO, cs.CV

原文アブストラクト

Visual imitation learning enables robots to acquire visuomotor skills directly from images, yet RGB observations lack explicit geometric cues, making learned policies brittle to camera perturbations. To address this, we propose \textbf{Ray-conditioned Vision Transformer Encoder (RayViT)}, a lightweight architecture that injects camera geometry into pretrained ViT backbones. RayViT represents camera geometry as a Pl\"ucker ray map, patchifies it into ray features, and uses gated cross-attention to produce a ray-conditioned class token. These ray features are added as dense positional embeddings, while the ray class token replaces the original ViT class token to provide a geometry-aware summary representation. We combine this approach with an auxiliary cosine similarity loss to consistently improve the performance and robustness for geometry-aware tokens. Experiments on sim- and real-robot tasks demonstrate that RayViT improves robustness by approximately 13 percentage points under camera perturbations in multi-task RoboCasa benchmark and by 1.78 average completed stages in real-world multi-task success rate compared to baselines.

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