論文の概要: GeneralVLA-2: Geometry-Aware Reconstruction and Governed Memory for Robot Planning

• arxiv url: http://arxiv.org/abs/2606.17480v1
• Date: Tue, 16 Jun 2026 03:45:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.255063
• Title: GeneralVLA-2: Geometry-Aware Reconstruction and Governed Memory for Robot Planning
• Title（参考訳）: GeneralVLA-2: ロボット計画のための幾何認識の再構築とゴバドメモリ
• Authors: Haoyu Wang, Guoqing Ma, Zeyu Zhang, Yandong Guo, Boxin Shi, Hao Tang,
• Abstract要約: GeneralVLAは、言語とRGB-Dの観察を3Dのエンドエフェクタパスに変換するための階層インターフェースを提供する。 幾何誘導型MV-SAM3D再構成部であるGeoFuse-MV3Dを紹介する。 我々はKnowledgeBankを長期記憶システムにアップグレードする。
• 参考スコア（独自算出の注目度）: 61.35267583855844
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Generalist vision-language-action systems need object-centric 3D evidence and reusable manipulation experience to plan reliable robot trajectories. GeneralVLA provides a hierarchical interface for converting language and RGB-D observations into 3D end-effector paths, but two bottlenecks remain. First, monocular SAM3D-style object reconstruction can hallucinate pose and unseen geometry, while manipulation benefits from stable object shape when calibrated multi-view observations are available. Second, the original KnowledgeBank mainly retrieves semantically similar snippets and appends new knowledge, which makes it difficult to control memory quality, conflicts, confidence, and geometric relevance. To address the first challenge, we introduce GeoFuse-MV3D, a geometry-prior-guided MV-SAM3D reconstruction branch that verifies external geometry cues with input-view masks, applies soft visual-hull support, performs axis-wise refinement, and fuses only geometry while preserving appearance. To address the second challenge, we upgrade KnowledgeBank into a governed long-term memory system with explicit quality, confidence, lifecycle, verifier, and conflict metadata, together with precision-oriented retrieval. Finally, we evaluate the reconstruction branch on GSO-30 and the memory module on Terminal-Bench 2.0 and SWE-Bench Verified; GeoFuse-MV3D improves over the MV-SAM3D baseline by reducing CD and LPIPS by 2.20% and 2.02% while increasing PSNR and SSIM by 2.36% and 1.03%, and KnowledgeBank improves over ReasoningBank by 4.53% on Terminal-Bench SR and 3.73% on SWE-Bench resolve rate, while reducing AS by 4.95% and 5.65%, respectively. Code: https://github.com/AIGeeksGroup/GeneralVLA-2. Website: https://aigeeksgroup.github.io/GeneralVLA-2.
• Abstract（参考訳）: 汎用的な視覚-言語-アクションシステムは、信頼性の高いロボット軌道を計画するために、オブジェクト中心の3Dエビデンスと再利用可能な操作体験を必要とする。 GeneralVLAは、言語とRGB-Dの観察を3Dのエンドエフェクタパスに変換するための階層インターフェースを提供するが、ボトルネックは2つ残っている。 第一に、単分子SAM3Dスタイルのオブジェクト再構成はポーズと見えない幾何学を幻覚させ、一方、校正されたマルチビュー観測が可能となると、安定したオブジェクト形状による操作の恩恵を受けることができる。 第二に、オリジナルのKnowledgeBankは、主にセマンティックに類似したスニペットを取得し、新しい知識を追加する。 最初の課題に対処するため、GeoFuse-MV3Dは、外部幾何学の手がかりを入力ビューマスクで検証し、ソフトビジュアルホールサポートを適用し、軸方向の洗練を行い、外観を保ちながら幾何学のみを融合するジオフューズ-MV3Dを導入する。 第2の課題に対処するため,我々はKnowledgeBankを,精度指向の検索とともに,明確な品質,信頼性,ライフサイクル,検証,コンフリクトメタデータを備えた長期記憶システムにアップグレードする。 最後に、GSO-30とSWE-Benchのメモリモジュールの再構築ブランチを評価し、GeoFuse-MV3DはCDとLPIPSを2.20%、SSIMは2.36%、SSIMは1.03%、KnowledgeBankはReasoningBankを4.53%、SWE-Benchは3.73%、ASは4.95%、SWE-Benchは5.65%減らしてMV-SAM3Dベースラインを改善する。 コード:https://github.com/AIGeeksGroup/GeneralVLA-2。 ウェブサイト:https://aigeeksgroup.github.io/GeneralVLA-2。

関連論文リスト

• LSRM: High-Fidelity Object-Centric Reconstruction via Scaled Context Windows [10.300202521638274]
  本研究では,大規模スパース再構成モデルを導入し,拡張型コンテクストウィンドウがフィードフォワード3D再構成に与える影響について検討する。 アクティブなオブジェクトや画像トークンの数を大幅に増やすことで、コンテキストウィンドウを拡大することで、このギャップを著しく狭め、高忠実度な3Dオブジェクト再構成と逆レンダリングを可能にします。
  論文  参考訳（メタデータ） (2026-04-06T21:21:12Z)
• 3AM: 3egment Anything with Geometric Consistency in Videos [32.069894075133305]
  3AMは、MUSt3Rからの3D認識機能をSAM2に統合するトレーニング時間拡張である。 提案手法では,カメラのポーズや前処理を伴わず,推論時のRGB入力のみを必要とする。 幅広いベースラインモーション(ScanNet++、Replica)を持つ挑戦的なデータセットでは、3AMはSAM2と拡張を大きく上回っている。
  論文  参考訳（メタデータ） (2026-01-13T18:59:54Z)
• MVGGT: Multimodal Visual Geometry Grounded Transformer for Multiview 3D Referring Expression Segmentation [59.75554954111619]
  マルチビュー3D参照表現(MV-3DRES)を導入し、モデルがシーン構造を復元し、参照対象をスパースなマルチビュー画像から直接セグメント化する必要がある。 本稿では,言語情報をスパースビュー幾何学的推論に組み込む,効率的なエンドツーエンドフレームワークであるMultimodal Visual Geometry Grounded Transformer (MVGGT)を提案する。 実験により、MVGGTは最初の強力なベースラインを確立し、高精度かつ高速な推論を達成し、既存の選択肢よりも優れていることが示された。
  論文  参考訳（メタデータ） (2026-01-11T11:44:07Z)
• Learning to Reason in 4D: Dynamic Spatial Understanding for Vision Language Models [79.18306680174011]
  DSR Suiteは、データセット、ベンチマーク、モデルの各面にギャップを埋める。 そこで本研究では,DSRビデオから複数問合せペアを生成する自動パイプラインを提案する。 パイプラインは、カメラポーズ、局所点雲、オブジェクトマスク、向き、および3Dトラジェクトリを含む、豊富な幾何学的および運動的な情報を抽出する。
  論文  参考訳（メタデータ） (2025-12-23T17:56:36Z)
• GeoSAM2: Unleashing the Power of SAM2 for 3D Part Segmentation [81.0871900167463]
  GeoSAM2は3次元部分分割のためのプロンプト制御可能なフレームワークである。 テクスチャのないオブジェクトが与えられた場合、事前に定義された視点から正規写像とポイントマップを描画する。 部品の選択をガイドするシンプルな2Dプロンプト(クリックやボックス)を受け入れます。 予測されたマスクはオブジェクトにバックプロジェクションされ、ビューに集約される。
  論文  参考訳（メタデータ） (2025-08-19T17:58:51Z)
• Geometric-aware Pretraining for Vision-centric 3D Object Detection [77.7979088689944]
  GAPretrainと呼ばれる新しい幾何学的事前学習フレームワークを提案する。 GAPretrainは、複数の最先端検出器に柔軟に適用可能なプラグアンドプレイソリューションとして機能する。 BEVFormer法を用いて, nuScenes val の 46.2 mAP と 55.5 NDS を実現し, それぞれ 2.7 と 2.1 点を得た。
  論文  参考訳（メタデータ） (2023-04-06T14:33:05Z)

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。