論文の概要: EquivDP3: A SIM(3)-Invariant Point-Cloud Encoder for Data-Efficient Humanoid Loco-Manipulation

• arxiv url: http://arxiv.org/abs/2609.36575v1
• Date: Tue, 29 Sep 2026 02:54:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.137215
• Title: EquivDP3: A SIM(3)-Invariant Point-Cloud Encoder for Data-Efficient Humanoid Loco-Manipulation
• Title（参考訳）: EquivDP3:データ効率なヒューマノイドロコ操作のためのSIM(3)不変ポイントクラウドエンコーダ
• Abstract要約: ヒューマノイド・ロコ・マニピュレーションのためのバイスモータ・ポリシーは、少数のデモンストレーションからオブジェクトのポーズや照明を一般化しなければならない。 EquiBot はこのギャップを SIM(3)-equivariant Vector Neuron Network (VNN) エンコーダで埋めた。 我々はこれを、43個の結合したユニトリーG1ヒューマノイドに拡張し、2段階ポリシーであるEquivDP3を提案する。
• 参考スコア（独自算出の注目度）: 32.61094231701379
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Visuomotor policies for humanoid loco-manipulation must generalize across object poses and lighting from only a handful of demonstrations. 3D Diffusion Policy (DP3) conditions a diffusion-based action generator on point-cloud features, but its PointNet-style encoder has no built-in equivariance to the rotations, translations, and scalings (SIM(3)) that manipulation tasks respect. EquiBot closed this gap for wheeled manipulators with a SIM(3)-equivariant Vector Neuron Network (VNN) encoder. We extend this to a substantially more complex embodiment, the 43-joint Unitree G1 humanoid, and propose EquivDP3: a two-stage policy where a high-level diffusion planner with a SIM(3)-equivariant VNN encoder emits 6 Hz whole-body command chunks, executed at 50 Hz by a frozen, pre-trained RL locomotion policy and a differential inverse-kinematics module for the arms, trained end-to-end by behavior cloning. Across two simulated IsaacLab benchmarks and four non-equivariant baselines (5-100 demonstrations, in- and out-of-distribution), EquivDP3's advantage concentrates in the low-data regime: at 5-10 demonstrations it reaches 67.1% success versus 38.2-52.4% for the baselines, while by 50-100 all encoders converge (74.3-85.2%) and the ordering is no longer meaningful. A proprioception-only control confirms this gap is genuinely perceptual: with the point cloud removed, success drops to 31% vs. 60% (EquivDP3) at 5 demonstrations and 78% vs. 99% at 10, but vanishes by 50-100, showing the high-data plateau reflects a benchmark ceiling, not five encoders learning the same invariance. The encoder costs only 0.8 ms of extra latency per action chunk over the PointNet encoder it replaces. Baking geometric symmetry into a hierarchical diffusion policy's perception backbone is a practical, nearly free way to improve data efficiency for humanoid loco-manipulation when demonstrations are scarce.
• Abstract（参考訳）: ヒューマノイド・ロコ・マニピュレーションのためのバイスモータ・ポリシーは、少数のデモンストレーションからオブジェクトのポーズや照明を一般化しなければならない。 3D Diffusion Policy (DP3) は、ポイントクラウドの特徴に対して拡散ベースのアクションジェネレータを条件としているが、そのPointNetスタイルのエンコーダは、タスクを操作するための回転、翻訳、スケーリング(SIM(3))と等価に組み込まれていない。 EquiBot はこのギャップを SIM(3)-equivariant Vector Neuron Network (VNN) エンコーダで埋めた。 SIM(3)-等価なVNNエンコーダを持つ高レベル拡散プランナが6Hzの全身コマンドチャンクを出力し、凍結したRLロコモーションポリシーにより50Hzで実行され、アーム用の微分逆運動モジュールが動作クローンによって訓練された2段階のポリシーである。 シミュレーションされたIsaacLabベンチマークと4つの非同変ベースライン(5-100のデモ、イン・オブ・アウト・オブ・ディストリビューション)で、EquivDP3の利点は低データ体制に集中している: 5-10のデモでは67.1%、ベースラインは38.2-52.4%、50-100のエンコーダは74.3-85.2%、順序付けはもはや意味を持たない。 5回のデモでは成功率が31%対60%(EquivDP3)、10では78%対99%に低下するが、50～100では消える。 エンコーダは、置き換えるPointNetエンコーダよりも、アクションチャンク毎に0.8ミリ秒の余分なレイテンシしかかからない。 幾何学対称性を階層的拡散政策の知覚バックボーンに組み込むことは、デモが不十分な時にヒューマノイドのロコ操作のデータ効率を改善するための実用的でほぼ自由な方法である。

関連論文リスト

• Architecture-Dependent Causal Transfer of Activation States Across Large Language Models [51.56484100374058]
  内部言語アクティベーション状態は、異なる大きな言語モデル間で因果的に転送することができる。 生成中に投影された活性化をターゲットモデルに注入すると、統計的に有意で事前登録された因果効果が生じる。 現在実装されているLCM間のエンド・ツー・エンドのアクティベーション・ステート・トランスファーは、ユニバーサルではなくアーキテクチャに依存していると結論付けている。
  論文  参考訳（メタデータ） (2026-08-17T09:53:27Z)
• On the Efficacy of Self-Supervised Point Cloud Encoders for Efficient 3D Large Language Models [7.625207441727006]
  3Dポイントクラウド言語モデル(3D-LLM)は、大きな言語モデルとのペアリングポイントクラウドエンコーダによる3D理解を可能にする。 既存の方法は8倍のA100スケールの計算で画像テキストポイントのクラウドアライメントを必要とするコストのかかるマルチモーダルエンコーダに依存している。 特にPCP-MAE と Point-MAE は,低コストで自己管理型クラウドエンコーダが有効な代替手段となるか検討する。
  論文  参考訳（メタデータ） (2026-07-31T08:06:56Z)
• MotionVLA: Vision-Language-Action Model for Humanoid Motion [54.785960777274276]
  動作をベースストリームと物理ストリームに分離するデュアルストリーム周波数トークンであるDSFTを提案する。 また、ベースおよび物理トークンを統一シーケンスに配置するQwen3.5ベースのモデルであるMotionVLAを提案する。
  論文  参考訳（メタデータ） (2026-06-13T06:10:48Z)
• Sparse2Act: Learning Action-Aligned Sparse 3D Representations for Cross-Domain Robot Manipulation [52.00134393320209]
  Sparse2Actは、スパースポイントクラウドエンコーダの事前学習のための観測・動作アライメントフレームワークである。 マスク付きスパース3Dトークンは、観察と組み合わせたワークスペース運動の周囲のシーン特徴を整理するために訓練される。 LIBERO-10ベンチマークでは,500ステップの微調整を行い,平均86.9%の成功を達成した。
  論文  参考訳（メタデータ） (2026-06-10T23:56:01Z)
• Brain-inspired spike-timing plasticity for reliable label-efficient event-camera vision [0.3823356975862005]
  ローカルスパイクタイピング依存可塑性(STDP)モジュールは、GPUをサポートせずに単一のCPUスレッドで動作する。 密度勾配訓練検出器は, 勾配訓練, 密度行列乗算, 局所可塑性自由運転を建設によって組み合わせることができない。
  論文  参考訳（メタデータ） (2026-05-17T22:56:16Z)
• Fundamental Limits of Neural Network Sparsification: Evidence from Catastrophic Interpretability Collapse [7.167095059974211]
  本研究では, 可変オートエンコーダ-スパースオートエンコーダアーキテクチャにおける重大容量制約下での機能生存について検討する。 本稿では,活動ニューロンを500から50以上の訓練エポックに段階的に減少させる適応的空間性スケジューリングフレームワークを提案する。 グローバルな表現の質は安定しているが、局所的な特徴解釈可能性は体系的に崩壊する。
  論文  参考訳（メタデータ） (2026-03-18T00:16:38Z)
• PolyGLU: State-Conditional Activation Routing in Transformer Feed-Forward Networks [0.0]
  我々は、各FFNニューロンがK=4の活性化関数を動的にルーティングすることを可能にする、SwiGLUのドロップイン置換であるPolyGLUを紹介する。 標準的なベンチマークでは、PlychromaticLMは3,600倍のトークンのトレーニングにもかかわらず、Qwen3-0.6B-Baseのパフォーマンスの62-89%を達成した。
  論文  参考訳（メタデータ） (2026-03-07T10:39:56Z)
• Uniformer: Unified Transformer for Efficient Spatiotemporal Representation Learning [68.55487598401788]
  この研究の最近の進歩は、主に3D畳み込みニューラルネットワークと視覚変換器によって推進されている。 本稿では3次元畳み込み自己注意の利点を簡潔なトランスフォーマー形式にシームレスに統合する新しいUnified TransFormer(UniFormer)を提案する。 我々は、Kineetics-400、Kineetics-600、Something V1&V2といった人気ビデオベンチマークで広範な実験を行っている。 我々の UniFormer は Kinetics-400/Kinetics-600 で 8/84.8% のトップ-1 の精度を実現している。
  論文  参考訳（メタデータ） (2022-01-12T20:02:32Z)
• Dynamic Convolution for 3D Point Cloud Instance Segmentation [146.7971476424351]
  動的畳み込みに基づく3次元点雲からのインスタンスセグメンテーション手法を提案する。 我々は、同じ意味圏と閉投票を持つ等質点を幾何学的遠近点に対して収集する。 提案手法は提案不要であり、代わりに各インスタンスの空間的および意味的特性に適応する畳み込みプロセスを利用する。
  論文  参考訳（メタデータ） (2021-07-18T09:05:16Z)
• Inception Convolution with Efficient Dilation Search [121.41030859447487]
  拡散畳み込みは、効果的な受容場を制御し、オブジェクトの大規模な分散を処理するための標準的な畳み込みニューラルネットワークの重要な変異体である。 そこで我々は,異なる軸,チャネル,層間の独立な拡散を有する拡張畳み込みの新たな変異体,すなわち開始(拡張)畳み込みを提案する。 本稿では,データに複雑なインセプション・コンボリューションを適合させる実用的な手法を探索し,統計的最適化に基づく簡易かつ効果的な拡張探索アルゴリズム(EDO)を開発した。
  論文  参考訳（メタデータ） (2020-12-25T14:58:35Z)

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。