論文の概要: ARGUS: Aligning Robot Scene Geometry Under Shifting Views with Large 3D Vision Models

• arxiv url: http://arxiv.org/abs/2608.05579v1
• Date: Thu, 06 Aug 2026 04:00:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 17:43:06.697331
• Title: ARGUS: Aligning Robot Scene Geometry Under Shifting Views with Large 3D Vision Models
• Title（参考訳）: ARGUS:大きな3次元ヴィジュアライゼーションモデルによる移動ビュー下でのロボットシーン形状の調整
• Abstract要約: ARGUSは、大規模な3Dビジョンモデルを使用して、任意のカメラ視点からの画像観察を標準的な視点に整列させ、下流のヴィジュモータポリシーに渡す、観察前処理パイプラインである。 効率比較では、ARGUSはビュー・ディバースデータから学習する能力を示し、従来の方法よりも4-6倍速く高い成功率に収束する。
• 参考スコア（独自算出の注目度）: 6.225936390546933
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large-scale visuomotor policies have demonstrated impressive performance across a wide range of robot manipulation tasks. However, despite this success, manipulation polices often entangle scene geometry with the corresponding viewpoint, learning where objects lie in an image rather than where it lies in the task space. This entanglement inherently limits the corresponding policy's ability to learn from viewpoint-diverse datasets (ex. DROID, BridgeV2) and generalize beyond the viewpoints captured in their training data. In this work, we present ARGUS, an observation pre-processing pipeline that uses large-scale 3D vision models to align image observations from arbitrary camera viewpoints into a canonical viewpoint before passing it to downstream visuomotor policies. Experiments across training datasets with varying levels of viewpoint diversity, from fixed multi-view camera configurations to highly varied camera placements, show that our method consistently outperforms prior approaches across both limited-view and view-diverse training regimes. In efficiency comparisons, ARGUS demonstrates an ability to learn from view-diverse data, converging to high success rates 4-6x faster than previous methods by leveraging a simplified observation space. Overall, our findings show that leveraging large-scale 3D vision models reduces the learning burden on visuomotor policies, enabling more efficient learning from large-scale, viewpoint-diverse robot datasets.
• Abstract（参考訳）: 大規模なビジュモータポリシーは、幅広いロボット操作タスクにおいて、印象的なパフォーマンスを示している。 しかし、この成功にもかかわらず、警察の操作はシーンの幾何学を対応する視点で絡み合わせることが多く、タスク空間のどこに置かれているかではなく、像のどこにあるかを学ぶ。 この絡み合いは、本質的には、対応するポリシーが視点差データセット(DROID、BridgeV2)から学習し、トレーニングデータで捉えた視点を超えて一般化する能力を制限する。 本研究では、大規模な3次元視覚モデルを用いて、任意のカメラ視点からの画像観察を標準視点に整列させ、それを下流のビジュモータポリシーに渡す、観察前処理パイプラインARGUSを提案する。 固定された多視点カメラ構成から高度に多様なカメラ配置に至るまで、視点の多様性のレベルが異なるトレーニングデータセットを対象とした実験により、我々の手法は、限定的な視点と視野の異なるトレーニングシステムの両方において、従来手法よりも一貫して優れていたことを示す。 効率比較において、ARGUSは、簡易な観測空間を利用することで、従来の方法よりも4～6倍高速な成功率に収束し、ビューディバースデータから学習する能力を示す。 以上の結果から,大規模な3次元視覚モデルを活用することで,視覚的姿勢の学習負担が軽減され,大規模で視点の異なるロボットデータセットからの学習がより効率的になることが示唆された。

関連論文リスト

• From Human Videos to Robot Manipulation: A Survey on Scalable Vision-Language-Action Learning with Human-Centric Data [71.22409934108924]
  人間のビデオは豊富で、豊富な相互作用を捉え、現実世界の操作に多様な意味と物理的な手がかりを提供する。 この調査は、人間のビデオがビジョン・ランゲージ・アクション(VLA)モデルの効果的な知識にどのように変換されるか、統一された視点を提供する。 この領域では、非構造化動画をトレーニング可能なエピソードに構造化すること、エンボディメントと視点の不均一性の下でロボットが実行可能なアクションにビデオから制御すること、現実世界の展開性能と転送効率をよりよく予測する評価プロトコルを設計すること、の3つのオープンな課題を強調している。
  論文  参考訳（メタデータ） (2026-05-18T06:19:16Z)
• Learning Action Manifold with Multi-view Latent Priors for Robotic Manipulation [67.16145181790522]
  本稿では,視覚・言語・行動モデル(VLA)における空間認識と操作の課題に取り組む。 幾何学的ガイダンスに基づいて多視点特徴を整列する幾何誘導型ゲート変換器(G3T)を提案する。 動作学習効率を向上させるために,有効な動作多様体上での動作を直接予測するアクション・マニフォールド・ラーニング(AML)を導入する。
  論文  参考訳（メタデータ） (2026-05-12T09:21:29Z)
• Multi-Camera View Scaling for Data-Efficient Robot Imitation Learning [57.88781687419521]
  複数の同期カメラパースペクティブを使用して、各専門家軌跡から擬似演示を生成する。 シミュレーションと実世界の操作タスクの実験は、データ効率と一般化の著しい向上を示している。 以上の結果から,カメラビューのスケーリングは,模倣学習のための実用的でスケーラブルなソリューションであることが示唆された。
  論文  参考訳（メタデータ） (2026-04-01T07:00:44Z)
• CLAMP: Contrastive Learning for 3D Multi-View Action-Conditioned Robotic Manipulation Pretraining [4.039082584778385]
  3次元多視点動作記述型ロボットマニピュレーション事前学習(CLAMP)のコントラスト学習について紹介する。 RGB-D画像とカメラ外部画像から計算した統合点雲から、深度と3次元座標によるマルチビュー4チャンネル画像観察を再レンダリングした。 事前訓練されたエンコーダは、オブジェクトの幾何学的および位置的情報とロボットのアクションパターンを関連付けることを学習する。
  論文  参考訳（メタデータ） (2026-01-31T23:32:54Z)
• View-Invariant Policy Learning via Zero-Shot Novel View Synthesis [26.231630397802785]
  本研究では,世界の大規模視覚データから得られる知識が,一般化可能な操作のための一軸の変動にどのように対処できるかを考察する。 本研究では,異なるカメラ視点から同一シーンの画像をレンダリングすることで,シーンレベルの3D認識を学習する単一画像の新規ビュー合成モデルについて検討する。 多様なロボットデータに実用的に応用するには、これらのモデルはゼロショットを動作させ、目に見えないタスクや環境でビュー合成を行う必要がある。
  論文  参考訳（メタデータ） (2024-09-05T16:39:21Z)
• Leveraging Large-Scale Pretrained Vision Foundation Models for Label-Efficient 3D Point Cloud Segmentation [67.07112533415116]
  本稿では3Dポイントクラウドセグメンテーションタスクに様々な基礎モデルを適用する新しいフレームワークを提案する。 我々のアプローチでは、異なる大きな視覚モデルを用いて2次元セマンティックマスクの初期予測を行う。 本研究では,ロバストな3Dセマンティックな擬似ラベルを生成するために,投票による全ての結果を効果的に組み合わせたセマンティックなラベル融合戦略を提案する。
  論文  参考訳（メタデータ） (2023-11-03T15:41:15Z)
• ImageManip: Image-based Robotic Manipulation with Affordance-guided Next View Selection [10.162882793554191]
  ロボットが環境と対話するためには、3Dの関節による物体操作が不可欠である。 既存の多くの研究では、操作ポリシーの主要な入力として3Dポイントクラウドを使用している。 RGB画像は、コスト効率の良い装置を用いた高分解能な観察を提供するが、空間的3次元幾何学的情報は欠如している。 このフレームワークは、対象対象物の複数の視点を捉え、その幾何学を補完するために深度情報を推測するように設計されている。
  論文  参考訳（メタデータ） (2023-10-13T12:42:54Z)
• Towards Model Generalization for Monocular 3D Object Detection [57.25828870799331]
  我々は,Mono3Dオブジェクト検出に有効な統合カメラ一般化パラダイム(CGP)を提案する。 また,インスタンスレベルの拡張によりギャップを埋める2D-3D幾何一貫性オブジェクトスケーリング戦略(GCOS)を提案する。 DGMono3Dと呼ばれる手法は、評価された全てのデータセットに対して顕著な性能を達成し、SoTAの教師なしドメイン適応スキームを上回ります。
  論文  参考訳（メタデータ） (2022-05-23T23:05:07Z)
• Lightweight Multi-View 3D Pose Estimation through Camera-Disentangled Representation [57.11299763566534]
  空間校正カメラで撮影した多視点画像から3次元ポーズを復元する手法を提案する。 我々は3次元形状を利用して、入力画像をカメラ視点から切り離したポーズの潜在表現に融合する。 アーキテクチャは、カメラプロジェクション演算子に学習した表現を条件付け、ビュー当たりの正確な2次元検出を生成する。
  論文  参考訳（メタデータ） (2020-04-05T12:52:29Z)

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。