論文の概要: GaussianDream: A Feed-Forward 3D Gaussian World Model for Robotic Manipulation

• arxiv url: http://arxiv.org/abs/2605.20752v1
• Date: Wed, 20 May 2026 05:51:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.509017
• Title: GaussianDream: A Feed-Forward 3D Gaussian World Model for Robotic Manipulation
• Title（参考訳）: GaussianDream:ロボットマニピュレーションのためのフィードフォワード3次元ガウス世界モデル
• Authors: Zijian Zhang, Yuqing Jiang, Qian Cheng, Si Liu, Ding Zhao, Ping Luo, Weitao Zhou, Haibao Yu,
• Abstract要約: textbfGaussianDreamは、3Dガウスの世界モデルプラグインで、ロボットの軌跡を構造化された時空間監視に変換する。 LIBERO、RoboCasa Human-50、および実ロボットタスクの実験は、強力で高い競争力を示す。
• 参考スコア（独自算出の注目度）: 55.730453997808006
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-language-action (VLA) policies have advanced language-conditioned robotic manipulation by transferring semantic priors from pretrained vision-language models to action generation. Yet, standard action-imitation training often provides limited explicit supervision for 3D geometry, dense visual structure, and short-horizon environment evolution, which are critical for physically precise manipulation. We introduce \textbf{GaussianDream}, a feed-forward 3D Gaussian world-model plug-in that turns robot trajectories into structured spatial-temporal supervision. The key idea is to couple current Gaussian reconstruction with horizon-conditioned future Gaussian prediction during training, forcing a compact spatio-temporal prefix to be decodable into renderable 3D Gaussian states. This enables dense RGB rendering, depth, and pseudo 3D scene-flow supervision without requiring test-time Gaussian decoding. At inference, GaussianDream discards all auxiliary decoding heads and retains only the learned prefix to condition action generation, avoiding rendering, video rollout, or additional planning during closed-loop control. Experiments on LIBERO, RoboCasa Human-50, and real-robot tasks demonstrate strong and highly competitive performance, achieving \textbf{98.4\%} average success on LIBERO, \textbf{52.6\%} on RoboCasa Human-50, and \textbf{50.0\%} in real-world evaluation.
• Abstract（参考訳）: ビジョン言語アクション(VLA)ポリシーは、事前訓練されたビジョン言語モデルからアクション生成へのセマンティック事前の転送によって、言語条件のロボット操作を進化させた。 しかし、標準的なアクション・イミテーション・トレーニングは、物理的に精密な操作に欠かせない3次元幾何学、密集した視覚構造、短地環境の進化に対して、限定的な監督を提供することが多い。 本稿では,3次元ガウス世界モデルプラグインである「textbf{GaussianDream}」を紹介した。 鍵となる考え方は、現在のガウスの復元を水平条件付き将来のガウスの予測と組み合わせることであり、コンパクトな時空間の接頭辞を3Dガウス状態に縮退させることである。 これにより、テスト時間ガウス復号を必要とせず、RGBレンダリング、深度、擬似3Dシーンフローの監視が可能になる。 推論では、GaussianDreamはすべての補助的なデコードヘッドを破棄し、学習したプレフィックスのみを条件アクション生成、レンダリングの回避、ビデオロールアウト、クローズドループ制御中の追加計画に保持する。 LIBERO、RoboCasa Human-50、および実ロボットタスクの実験は、実世界の評価において、LIBERO上での「textbf{98.4\%」の平均的な成功、RoboCasa Human-50における「textbf{52.6\%」、および「textbf{50.0\%」の平均的な成功を達成し、強力で高い競争力を示す。

関連論文リスト

• V-Dreamer: Automating Robotic Simulation and Trajectory Synthesis via Video Generation Priors [30.872127145725187]
  V-Dreamerは、オープン語彙でシミュレーション可能な操作環境を生成する、完全に自動化されたフレームワークである。 V-Dreamerは、物理的に接地された3Dシーンを構成する新しい生成パイプラインを使用している。 我々は,本ポリシーがシミュレーションにおいて未確認オブジェクトに対して堅牢に一般化し,効率的なsim-to-real転送を実現することを示す。
  論文  参考訳（メタデータ） (2026-03-19T12:00:04Z)
• Action-Geometry Prediction with 3D Geometric Prior for Bimanual Manipulation [53.09168514034483]
  バイマン操作は3次元幾何学を推論し、動作中にどのように進化するかを予測し、滑らかで協調された動きを生成するポリシーを必要とする。 本稿では,事前学習した3次元幾何学的基礎モデルに基づいて,バイマン操作を直接構築するフレームワークを提案する。 我々の政策は、幾何学的認識の潜伏子、2次元意味的特徴、およびプロプレセプションを統一状態表現に融合させ、拡散モデルを用いて将来のアクションチャンクと、密度の高いポイントマップにデコードする未来の3次元潜伏子を共同で予測する。
  論文  参考訳（メタデータ） (2026-02-27T08:54:20Z)
• FlowHOI: Flow-based Semantics-Grounded Generation of Hand-Object Interactions for Dexterous Robot Manipulation [23.19464039872024]
  FlowHOIは、時間的にコヒーレントなHOIシーケンスを生成するフローマッチングフレームワークである。 本研究では,FlowHOIが最も高い動作認識精度と1.7$times$高い物理シミュレーション成功率を達成することを示す。
  論文  参考訳（メタデータ） (2026-02-13T20:46:08Z)
• GWM: Towards Scalable Gaussian World Models for Robotic Manipulation [53.51622803589185]
  本稿では,ロボット操作のための世界モデルGawssian World Model (GWM)を提案する。 中心となるのは、潜伏拡散変換器(DiT)と3次元変分オートエンコーダを組み合わせることで、微粒なシーンレベルの将来の状態復元を可能にする。 シミュレーションと実世界の実験の両方で、GWMは多様なロボットのアクションに照らされた未来のシーンを正確に予測できる。
  論文  参考訳（メタデータ） (2025-08-25T02:01:09Z)
• ManiTrend: Bridging Future Generation and Action Prediction with 3D Flow for Robotic Manipulation [11.233768932957771]
  3次元流れは、シーン内の3次元粒子の動きの傾向を表す。 ManiTrendは3D粒子、視覚観察、操作動作のダイナミクスをモデル化する統合フレームワークである。 提案手法は最先端の性能を高い効率で達成する。
  論文  参考訳（メタデータ） (2025-02-14T09:13:57Z)
• GaussianWorld: Gaussian World Model for Streaming 3D Occupancy Prediction [67.81475355852997]
  3次元占有予測は、周囲の包括的認識のため、自動運転にとって重要である。 本研究では、シーンの進化を知覚に利用するための世界モデルに基づくフレームワークを提案する。 我々のフレームワークは、追加の計算を導入することなく、mIoUの単一フレームの性能を2%以上向上させる。
  論文  参考訳（メタデータ） (2024-12-13T18:59:54Z)
• Uncertainty-aware State Space Transformer for Egocentric 3D Hand Trajectory Forecasting [79.34357055254239]
  ハンドトラジェクトリ予測は、AR/VRシステムと対話する際の人間の意図の迅速な理解を可能にするために不可欠である。 既存の方法では、現実の3Dアプリケーションでは不十分な2次元画像空間でこの問題に対処する。 初対人視点で観察されたRGBビデオから3次元空間のハンドトラジェクトリを予測することを目的とした,エゴセントリックな3Dハンドトラジェクトリ予測タスクを構築した。
  論文  参考訳（メタデータ） (2023-07-17T04:55:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。