論文の概要: OC-VLA++: Monocular Geometry-Guided Cross-View Consistency for Viewpoint-Robust Robotic Manipulation

• arxiv url: http://arxiv.org/abs/2608.01066v1
• Date: Sun, 02 Aug 2026 08:06:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.075686
• Title: OC-VLA++: Monocular Geometry-Guided Cross-View Consistency for Viewpoint-Robust Robotic Manipulation
• Title（参考訳）: OC-VLA++:ビューポイント・ロバストロボットマニピュレーションのための単眼幾何学誘導クロスビュー整合性
• Abstract要約: OC-VLA++は、視野一般化のためのOC-VLAの拡張である。 本稿では,幾何誘導型対ビュー監視と明示的な対ビュー・アクション・平等の目標について紹介する。 実験は、限定的なカメラカバレッジの下で、目に見えない視野の一般化を著しく改善した。
• 参考スコア（独自算出の注目度）: 9.018471602754213
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose OC-VLA++, an extension of OC-VLA for viewpoint generalization under limited camera coverage. While OC-VLA grounds robot actions in the camera coordinate system to align action supervision with visual observations, camera-space grounding alone can still overfit to the few viewpoints observed during training. OC-VLA++ addresses this limitation by introducing geometry-guided paired-view supervision and an explicit cross-view action-equivariance objective. Given paired observations of the same manipulation scene from geometrically related viewpoints, the model is trained such that their camera-space predictions correspond to the same robot-frame action. This objective explicitly supervises how action predictions should transform across viewpoints, rather than relying solely on image-level augmentation. Experiments demonstrate substantial improvements in unseen-view generalization under limited camera coverage, with performance degrading more gracefully under increasing camera displacement. These results establish cross-view action equivariance as an effective complement to observation-centric action grounding for robust real-world deployment.
• Abstract（参考訳）: 本稿では,視野一般化のためのOC-VLA++の拡張であるOC-VLA++を提案する。 OC-VLAは、カメラコーディネートシステムにロボットアクションを接地して、アクション監視と視覚的観察を一致させるが、カメラ空間の接地だけでは、トレーニング中に観察される少数の視点に過度に適応できる。 OC-VLA++はこの制限に対処するため、幾何誘導のペアビュー監視と明示的なクロスビューアクション平等の目的を導入している。 幾何学的観点から同じ操作シーンをペアで観察すると、カメラ空間の予測が同じロボットフレームの動作に対応するように訓練される。 この目的は、画像レベルの拡張にのみ依存するのではなく、アクション予測が視点を越えてどのように変換されるべきかを明示的に監視する。 実験では、撮影範囲が限定された場合の視界の一般化が大幅に改善され、カメラの変位が増加すると性能が低下する。 これらの結果は、実世界のロバストな展開のための観測中心の行動基盤を効果的に補完するものとして、クロスビューアクション均衡を確立した。

関連論文リスト

• From Fixed to Free Cameras: Calibration-Free View-Robust Vision-Language-Action Model [72.8641426724502]
  カメラ中心型VLA(CamVLA)は、カメラ幾何学から制御を分離する新しいVLAモデルである。 CamVLAは、さまざまな見当たらない視点での成功率を継続的に改善する。
  論文  参考訳（メタデータ） (2026-07-06T17:59:59Z)
• LIBERO-Occ: Evaluating and Improving Vision-Language-Action Models under Scene-Induced Occlusion via Viewpoint Imagination [66.06027569507403]
  textbfViewpoint Imagination (VIM) は、観測された証拠と想像された証拠の両方について、隠蔽された一次観測と条件の行動予測から補完的な視点を生成する。 VIMは、追加のカメラをデプロイ時に必要とせずに、タスクスイート、オクルージョンタイプ、重大度レベルの堅牢性を改善する。
  論文  参考訳（メタデータ） (2026-06-09T13:39:49Z)
• DisCo: World Models with Discrete Camera Motion Control [79.86256515640231]
  本研究では、離散アクションプリミティブのコンパクトなセットで生成し、アクション分離性を改善する制御可能なビデオワールドモデルであるDisCoを提案する。 DisCoは、視覚的品質を維持しながら、はるかに信頼性の高いアクションを達成する。
  論文  参考訳（メタデータ） (2026-06-06T03:50:45Z)
• AxisGuide: Grounding Robot Action Coordinate System in RGB Observations for Robust Visuomotor Manipulation [17.509625759060473]
  大規模な行動クローニングを通じて訓練された視覚的操作ポリシーは、分散シフトの下で正しい低レベルアクションを実行するのに失敗することが多い。 セマンティックシーン理解と行動調整の解釈を橋渡しする軽量なガイダンス手法であるAxisGuideを紹介する。
  論文  参考訳（メタデータ） (2026-06-04T22:57:34Z)
• Mitigating State Aliasing in Vision-Language-Action Models via Inverse Dynamics Learning [32.59795755994378]
  本稿では,VLA(Vision-Language-Action)視覚エンコーダを直接監督する補助目的として,逆ダイナミクス学習を導入する。 本研究の目的は、現在の観測と将来の観測のアクションを予測することにより、エンコーダが低レベルの動作を決定する細粒度の視覚的特徴を捉えることを奨励する。 CALVIN ABC-DとSimplerEnvの実験では、様々なVLAベースラインで一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-05-28T08:22:49Z)
• Universal Pose Pretraining for Generalizable Vision-Language-Action Policies [83.39008378156647]
  既存のVision-Language-Action(VLA)モデルは、しばしば機能崩壊と訓練効率の低下に悩まされる。 本稿では,VLAトレーニングを3次元空間前駆体抽出のための事前学習フェーズに分離する,分離されたパラダイムであるPose-VLAを提案する。 我々のフレームワークは2段階の事前学習パイプラインに従い、ポーズと動きのアライメントによる基本的な空間接地を確立する。
  論文  参考訳（メタデータ） (2026-02-23T11:00:08Z)
• PosA-VLA: Enhancing Action Generation via Pose-Conditioned Anchor Attention [92.85371254435074]
  PosA-VLAフレームワークは、ポーズ条件付き監視を通じて視覚的注意を保ち、タスク関連領域に対するモデルの認識を一貫して導く。 本手法は,多様なロボット操作ベンチマークにおいて,正確かつ時間効率のよい動作を実施できることを示す。
  論文  参考訳（メタデータ） (2025-12-03T12:14:29Z)
• Grounding Actions in Camera Space: Observation-Centric Vision-Language-Action Policy [47.51062818231493]
  本稿では,カメラの観測空間にアクション予測を直接適用するOC-VLA(Observatory-Centric VLA)フレームワークを紹介する。 OC-VLAは、ロボットベース座標系からカメラ座標系にエンドエフェクターポーズを変換する。 この戦略は、カメラ視点の変化に対するモデルレジリエンスを大幅に改善する。
  論文  参考訳（メタデータ） (2025-08-18T17:10:45Z)
• Observe Then Act: Asynchronous Active Vision-Action Model for Robotic Manipulation [19.17977467107072]
  本モデルでは,カメラのNext-Best-View(NBV)ポリシーとグリップのNext-Best Pose(NBP)ポリシーを直列接続し,数発の強化学習を用いてセンサ・モーター協調フレームワークでトレーニングする。 このアプローチにより、エージェントは3人称カメラを調整し、タスクゴールに基づいて環境を積極的に観察し、その後に適切な操作行動を推測することができる。 その結果,操作タスクにおける視覚的制約処理の有効性を示すとともに,ベースラインアルゴリズムを一貫して上回る結果が得られた。
  論文  参考訳（メタデータ） (2024-09-23T10:38:20Z)

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。