論文の概要: GaussianDream++: Efficient 3D Gaussian World Modeling for Robotic Manipulation

• arxiv url: http://arxiv.org/abs/2608.25659v1
• Date: Wed, 26 Aug 2026 11:41:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.805286
• Title: GaussianDream++: Efficient 3D Gaussian World Modeling 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効率的な3Dガウス世界モデリング
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 55.47130289185285
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-Language-Action (VLA) policies have advanced language-conditioned robotic manipulation, yet action-imitation objectives provide only weak supervision for metric 3D structure and short-horizon physical evolution. Geometry-enhanced policies mainly improve current-scene grounding, whereas predictive policies often model future dynamics in RGB or latent spaces and may incur substantial deployment cost. GaussianDream demonstrates that training-time current Gaussian reconstruction and future Gaussian prediction provide effective 3D supervision, but its dense VGGT/TGE-based prefix jointly carries state, dynamics, and action-conditioning information. We present \textbf{\methodname}, a compact, policy-native extension that inserts \textbf{World State Tokens} and \textbf{World Prediction Tokens} directly into the VLA backbone. A training-only \textbf{World Representation Head} decodes these tokens into a Current World and coupled Future Prediction over shared Gaussian primitives, while static--dynamic factorization preserves persistent structure and focuses residual motion on interaction-relevant regions. At inference, the head, renderer, auxiliary objectives, and VGGT/TGE pathway are removed, leaving only 20 world tokens without online Gaussian decoding or rollout. \method achieves \textbf{98.6\%} on LIBERO and \textbf{87.8\%} on LIBERO-Plus, with clear gains under Camera and Layout shifts. Real-robot experiments further improve average success from 29.2\% to 52.5\% over reproduced $π_{0.5}$ while maintaining efficient closed-loop control.
• Abstract（参考訳）: VLA(Vision-Language-Action)ポリシーは、高度な言語条件付きロボット操作を備えているが、アクション・イミテーションの目的は、メートル法3D構造と短期水平物理的な進化に対する弱い監督のみを提供する。 幾何学的に強化された政策は、主に現在の舞台の接地を改善するが、予測的な政策は、しばしばRGBまたは潜在空間の将来のダイナミクスをモデル化し、相当な展開コストを発生させる可能性がある。 GaussianDreamは、訓練時の現在のガウシアン再構成と将来のガウシアン予測が効果的な3D監視を提供することを示したが、その密度の高いVGGT/TGEベースのプレフィックスは、状態、ダイナミクス、アクションコンディショニング情報を共同で保持している。 VLAバックボーンに直接 \textbf{World State Tokens} と \textbf{World Prediction Tokens} を挿入する,コンパクトでポリシネイティブな拡張である \textbf{\methodname} を提示する。 トレーニング専用 \textbf{World Representation Head} はこれらのトークンを現在の世界へデコードし、共有ガウスプリミティブ上でのFuture Predictionを結合する。 推論では、ヘッド、レンダラー、補助目的物、VGGT/TGEパスが削除され、オンラインガウス復号やロールアウトなしで20個の世界トークンのみが残る。 LIBERO 上で \textbf{98.6\%} を、LIBERO-Plus 上で \textbf{87.8\%} を達成し、カメラとレイアウトのシフトの下で明らかな利得を得た。 実ロボット実験は、効率的な閉ループ制御を維持しながら、再現された$π_{0.5}$よりも29.2\%から52.5\%の平均的な成功をさらに改善した。

関連論文リスト

• 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)
• SG-WAM: Self-Guided World Modeling in Geometry-Aware Policy Space [12.198811616220835]
  World Action Models (WAM)は、将来の状態を予測するアクション生成を結合する。 本稿では,SG-WAMを提案する。SG-WAMは,政策由来の表現空間において,幾何学的行動条件の動的性を直接学習する自己誘導型フレームワークである。
  論文  参考訳（メタデータ） (2026-08-02T17:25:08Z)
• Geometric Action Model for Robot Policy Learning [68.6657929619782]
  汎用ロボットポリシーは、オブジェクト、カメラ、ロボットアクションが3D物理世界でどのように相互作用するかを推論しながら、ユーザーの指示に従う必要がある。 最近の視覚言語行動モデル(VLA)とビデオ世界行動モデル(WAM)は、大規模基盤モデルから強い意味や時間的先行を継承する。 本稿では,言語条件の操作ポリシーであるGeometric Action Model (GAM)を提案する。
  論文  参考訳（メタデータ） (2026-06-15T17:58:03Z)
• GaussianDream: A Feed-Forward 3D Gaussian World Model for Robotic Manipulation [54.671815855499034]
  視覚言語アクション(VLA)ポリシーは、セマンティック先行をアクション生成に転送することで、言語条件のロボット操作を進化させた。 標準的な行動模倣学習は、しばしば明示的な3次元空間情報、密集した幾何学的監督、将来の環境進化の十分なモデリングを欠いている。 フィードフォワード3Dガウス世界モデルプラグインである textbfGaussianDream を提案する。
  論文  参考訳（メタデータ） (2026-05-20T05:51:30Z)
• Self-Correcting VLA: Online Action Refinement via Sparse World Imagination [55.982504915794514]
  本稿では, 自己補正VLA (SC-VLA) を提案する。 SC-VLAは最先端のパフォーマンスを達成し、最高タスクスループットを16%削減し、最高パフォーマンスのベースラインよりも9%高い成功率を得る。
  論文  参考訳（メタデータ） (2026-02-25T06:58:06Z)
• 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)
• FLARE: Robot Learning with Implicit World Modeling [87.81846091038676]
  $textbfFLARE$は、予測潜在世界モデリングをロボットポリシー学習に統合する。 $textbfFLARE$は最先端のパフォーマンスを実現し、これまでのポリシー学習のベースラインを最大26%上回っている。 この結果は、暗黙の世界モデリングと高周波ロボット制御を組み合わせた汎用的でスケーラブルなアプローチとして$textbfFLARE$を確立した。
  論文  参考訳（メタデータ） (2025-05-21T15:33:27Z)

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。