論文の概要: GaussVLA: Geometry-Aware Spatial Reasoning for Vision-Language-Action Model
- arxiv url: http://arxiv.org/abs/2608.24959v1
- Date: Tue, 25 Aug 2026 06:28:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-27 14:15:15.294083
- Title: GaussVLA: Geometry-Aware Spatial Reasoning for Vision-Language-Action Model
- Title（参考訳）: GaussVLA:視覚・言語・行動モデルのための幾何学的空間推論
- Abstract要約: GaussVLAは、内在的な幾何学的構造を持たないフラットな2Dパッチトークンとして視覚観測を符号化する。
学習クエリと、構造化された非自己回帰的な幾何学的推論を実行するemphDepth-Aware Chain-of-Thought (DA-CoT)をプールする。
LIBEROでは平均93.5%の成功、100.0%の成功で2億のパラメータしか持たない。
- 参考スコア（独自算出の注目度）: 8.618395711206896
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Vision-Language-Action (VLA) models encode visual observations as flat 2D patch tokens that carry no intrinsic geometric structure, and augmenting them with dense monocular depth injects per-pixel scalar values that encode neither surface orientation nor geometric confidence. This leaves the policy with limited structured spatial reasoning for action prediction. We propose GaussVLA, a Mamba-based VLA that incorporates two custom modules: Gaussian Spatial Tokenizer (GST) to lift frozen semantic and depth features into compact 3D Gaussian tokens, pools geometrically salient regions with learned queries, and \emph{Depth-Aware Chain-of-Thought (DA-CoT)} that performs structured, non-autoregressive geometric reasoning under language and flow-time conditioning. Across both simulation and real-world evaluations, GaussVLA demonstrates strong spatial-manipulation performance while remaining parameter-efficient. On LIBERO, it achieves 93.5% average success and 100.0% success on the Spatial suite with only 200M parameters, improving over SpatialVLA by 19.7% relative average success while remaining significantly more parameter-efficient.
- Abstract（参考訳）: Vision-Language-Action (VLA) モデルは、内在的な幾何学的構造を持たないフラットな2Dパッチトークンとして視覚観察をエンコードし、それらを高密度の単眼深度で拡大することで、表面配向も幾何的信頼度もエンコードしないピクセルごとのスカラー値を注入する。
これにより、行動予測のための限られた構造的空間推論のポリシーが残される。
ガンバをベースとしたVLAであるGaussVLAを提案する。Gaussian Spatial Tokenizer (GST)は,凍結した意味と深度の特徴をコンパクトな3次元ガウストークン,学習クエリを持つ幾何学的に有意な領域のプール,および言語とフロー時間条件下で構造化された非自己回帰的幾何学的推論を実行するShaemph{Depth-Aware Chain-of-Thought (DA-CoT) である。
GaussVLAは、シミュレーションと実世界評価の両方において、パラメータ効率を保ちながら、強い空間操作性能を示す。
LIBEROでは、SpatialVLAよりも19.7%改善され、パラメータ効率は大幅に向上した。
関連論文リスト
- GaussianDream++: Efficient 3D Gaussian World Modeling for Robotic Manipulation [55.47130289185285]
VLA(Vision-Language-Action)ポリシーは、高度な言語条件のロボット操作である。
我々は textbfWorld State Tokens と textbfWorld Prediction Tokens を VLA バックボーンに直接挿入する,コンパクトでポリシーネイティブな拡張である textbfMethodname を提示する。
論文 参考訳（メタデータ） (2026-08-26T11:41:55Z) - GaussianWAM: Distilling Geometry and Semantics from 3D Gaussian Fields into World-Action Models [21.006803571591707]
World-Action Models (WAM) は、ロボット操作のための表現学習信号としてビデオダイナミクスを用いて、将来の視覚予測とアクション生成を共同で学習する。
我々は3次元ガウス場を通して幾何学的・意味的管理を組織する訓練時表現強調フレームワークである textbfGaussianWAM を提案する。
論文 参考訳（メタデータ） (2026-08-25T15:34:13Z) - Gaussian-JEPA: Joint-Embedding Predictive Learning for 3D Gaussian Splats [91.55220894541151]
3D Gaussian Splatting (3DGS)は、幾何学と外観を結合的にエンコードする異方性プリミティブを持つ3Dコンテンツを表す。
本稿では,ガウス的トークンブロックの表現を視覚的コンテキストから予測するガウス的JEPAを提案する。
論文 参考訳（メタデータ） (2026-08-16T09:43:50Z) - Decoupling Semantics and Geometric Grounding: Spatial Visual Prompts for Language-Conditioned Imitation Learning [21.67233368353003]
本稿では,アクション生成ループから空間的グラウンドを明示的に抽出する分離アーキテクチャであるSVP-ILを提案する。
実験では、SVP-ILは最先端のVLAや純粋なビジュモータベースラインよりも著しく優れている。
論文 参考訳（メタデータ） (2026-06-24T03:45:06Z) - GA-VLN: Geometry-Aware BEV Representation for Efficient Vision-Language Navigation [75.85672467847631]
本稿では,3次元のコンパクトな特徴表現であるGeometry-Aware BEV (GA-BEV)を紹介する。
視覚的特徴を3次元空間に投影することで,RGB-D入力からBEV空間マップを構築する。
我々は,BEV空間に事前訓練された3Dファンデーションモデルの特徴を取り入れ,大規模3D再構築作業から学んだ構造的先行を注入する。
論文 参考訳（メタデータ） (2026-05-21T06:20:17Z) - VGGT-Occ: Geometry-Grounded and Density-Aware Gated Fusion for 3D Occupancy Prediction [37.542568613707296]
VGGT-Occは、パイプライン全体に幾何学的トークンを埋め込むフレームワークである。
我々は,全ての注意段階に幾何学を注入するために,射影認識変形性注意(PA-DA)を導入する。
機能はビュー品質のセマンティックゲートを通じて統合され、ビュー間の一貫性が保たれる。
論文 参考訳（メタデータ） (2026-05-16T09:51:04Z) - GST-VLA: Structured Gaussian Spatial Tokens for 3D Depth-Aware Vision-Language-Action Models [6.2676602262188625]
VLAモデルは、内在的な幾何学構造を持たない2次元パッチトークンとして視覚観察を符号化する。
GST-VLAを2つのコントリビューションで紹介する。
第一に、ガウス空間Tokenizer (GST) は凍った深度と凍ったセマンティックパッチの特徴を3Dプリミティブに変換する。
第二に、DA-CoT推論は4つの構造化された中間空間的思考を監督する。
論文 参考訳（メタデータ） (2026-03-10T01:39:38Z) - GLaD: Geometric Latent Distillation for Vision-Language-Action Models [106.53332923530245]
GLaDは、知識蒸留による事前学習中に3次元の幾何学的先行を組み込んだ幾何学的認識型視覚・言語・アクション(VLA)フレームワークである。
GLaDは4つのLIBEROタスクスイートの平均成功率は94.1%で、同じ事前トレーニングデータを使用するUniVLA(92.5%)を上回っている。
論文 参考訳（メタデータ） (2025-12-10T13:07:27Z) - GauSSmart: Enhanced 3D Reconstruction through 2D Foundation Models and Geometric Filtering [50.675710727721786]
2次元基礎モデルと3次元ガウススプラッティング再構成をブリッジするハイブリッド手法であるGauSSmartを提案する。
提案手法は,凸フィルタリングや意味的特徴監視など,確立した2次元コンピュータビジョン技術を統合している。
GauSSmartは既存のGaussian Splattingよりも一貫して優れています。
論文 参考訳（メタデータ） (2025-10-16T03:38:26Z) - MonoGSDF: Exploring Monocular Geometric Cues for Gaussian Splatting-Guided Implicit Surface Reconstruction [86.87464903285208]
高品質な再構成のための神経信号距離場(SDF)とプリミティブを結合する新しい手法であるMonoGSDFを紹介する。
任意のスケールのシーンを扱うために,ロバストな一般化のためのスケーリング戦略を提案する。
実世界のデータセットの実験は、効率を保ちながら、以前の方法よりも優れています。
論文 参考訳（メタデータ） (2024-11-25T20:07:07Z) - Why Approximate Matrix Square Root Outperforms Accurate SVD in Global
Covariance Pooling? [59.820507600960745]
本稿では,前方通過のSVDと後方伝播のPad'e近似を用いて勾配を計算する新しいGCPメタ層を提案する。
提案するメタレイヤは,さまざまなCNNモデルに統合され,大規模および微細なデータセット上で最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2021-05-06T08:03:45Z)
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。