論文の概要: GroundingPI: A Grounding Foundation Model towards Physical Intelligence with Visual Primitives

• arxiv url: http://arxiv.org/abs/2609.39601v1
• Date: Wed, 30 Sep 2026 12:20:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.706464
• Title: GroundingPI: A Grounding Foundation Model towards Physical Intelligence with Visual Primitives
• Title（参考訳）: GroundingPI:ビジュアルプリミティブを用いた物理的知性に向けた基礎モデル
• Abstract要約: 共有語彙の量子化座標として点と箱を生成する4B基底基底モデルである GroundingPI を導入する。 トレーニングは、マルチモーダルおよび空間事前訓練、教師付き微調整、強化学習をGRPOと組み合わせる。 下流の視覚バックボーンとして、BoundingPIはロボット操作と自律運転の性能を改善している。
• 参考スコア（独自算出の注目度）: 90.01527882097555
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Precise grounding matters. It specifies which object is the target and where that object is, even in clutter and for tiny objects, and it has to be fast enough for closed-loop control. Yet vision-language-action (VLA) and world-action models (WAMs) take perception from general-purpose vision-language and video-generation backbones, which still fail in these settings. We introduce GroundingPI, a 4B grounding foundation model that generates points and boxes as quantized coordinates in a shared vocabulary. Training combines multimodal and spatial pretraining, supervised fine-tuning, and reinforcement learning with GRPO, using supervision from public datasets and dedicated data engines. Against 44 baselines across 34 grounding benchmarks spanning 11 perceptual capabilities, GroundingPI establishes a new state of the art, averaging 73.68%, above the larger GPT-6 Astra (71.54%). As a downstream visual backbone, GroundingPI improves performance on robotic manipulation and autonomous driving. On RoboTwin 2.0, it outperforms every mainstream backbone we evaluate in all four out-of-distribution settings, by up to 24.8% relative to the strongest backbone. On RoboCasa-GR1, GroundingPI trained with 50% of the demonstrations outperforms those baselines trained with 75%. On nuScenes, used as the visual backbone, GroundingPI attains an average open-loop L2 error of 0.296 m. We systematically analyze GroundingPI's pretraining in scale and data composition. Downstream autonomous driving and robotic manipulation improve as the pretraining is scaled. Analyzing the data recipe across these 11 perceptual capabilities shows dense grounding's substantial benefits for both, and OCR's potential as a catalyst for perceptual learning. These results support grounding as a perceptual foundation, and dedicated perceptual pretraining as a promising direction for foundation models of physical intelligence.
• Abstract（参考訳）: 精密な土台を作る。 どのオブジェクトがターゲットで、そのオブジェクトがどこにあるかは、粗いオブジェクトや小さなオブジェクトでも指定でき、クローズドループ制御には十分高速でなければならない。 しかし、視覚-言語-アクション(VLA)と世界-アクションモデル(WAM)は、汎用的な視覚-言語とビデオ生成のバックボーンから認識され、これらの設定では依然として失敗する。 共有語彙の量子化座標として点と箱を生成する4B基底基底モデルである GroundingPI を導入する。 トレーニングは、パブリックデータセットと専用データエンジンの監視を使用して、マルチモーダルおよび空間事前トレーニング、教師付き微調整、強化学習をGRPOと組み合わせる。 11の知覚能力にまたがる34のグラウンドベンチマークで44のベースラインに対して、GroundingPIは73.68%という新しい最先端のGPT-6アストラ(71.54%)を樹立した。 下流の視覚バックボーンとして、BoundingPIはロボット操作と自律運転の性能を改善している。 RoboTwin 2.0では、4つのアウト・オブ・ディストリビューション設定で評価するメインストリームのバックボーンを最大24.8%上回っている。 RoboCasa-GR1では、デモの50%でトレーニングされたGroundingPIが、75%でトレーニングされたベースラインを上回っている。 視覚バックボーンとして使用される nuScenes では、GroundingPI は平均開ループ L2 誤差 0.296 m に達する。 大規模・データ構成におけるグラウンディングPIの事前学習を系統的に分析する。 下流での自動運転とロボット操作は、事前訓練の規模が拡大するにつれて改善される。 これら11の知覚能力にまたがるデータレシピを解析すると、密接な接地が両方の大きな利点を示し、OCRは知覚学習の触媒としての可能性を示している。 これらの結果は、知覚基盤としての接地と、身体知の基盤モデルのための有望な方向としての知覚事前訓練を支援する。

関連論文リスト

• GroundAnything: Reconciling Parallel Decoding with Precise Visual Grounding at Flash Speed [71.05944634852158]
  GroundAnythingはブロックワイズによる正確なローカライゼーションで高速並列デコーディングを再構成する。 30のグラウンドベンチマークで、私たちの自己回帰型であるGroundAnything-VLMは、この技術の新たな全体的な状態を確立します。 エントロピー誘導復号法により、GroundAnythingは、この規模の芸術の先行状態を超越している。
  論文  参考訳（メタデータ） (2026-09-30T12:20:51Z)
• GroundingVLN: Reasoning and Acting with Grounding for Vision-Language Navigation [31.389521894383833]
  視覚言語ナビゲーション(VLN)エージェントは、意味論的推論と空間的実行を結びつけるのに苦労する。 本研究では,視覚的グラウンドを推論と行動の共有インターフェースとして用いるグラウンドングVLNを提案する。 以上の結果から,GroundingVLNはR2R-CEで69.9%SR,RxR-CEで75.1%SRの最先端性能を高いサンプル効率で達成できることが示唆された。
  論文  参考訳（メタデータ） (2026-09-16T12:41:26Z)
• PhysBrain 1.5: From Vision-Language Models to Physical Foundation Models [60.567497085815724]
  PhysBrain 1.5は、物理的な環境を理解し、アクションを生成し、将来の状態を予測するための統一モデルである。 事前トレーニングは、人間のインタラクションビデオから完全に具体化された監督を引き出す。 一般的なマルチモーダル機能を維持しながら、14のベンチマークで最高のオープンソース結果を達成する。
  論文  参考訳（メタデータ） (2026-09-14T03:25:46Z)
• Federated Learning for Object Detection: Enabling Collaborative Drone Learning Without Centralizing Data [0.44333156307871574]
  分散ドローンにおける物体検出のためのフェデレートラーニング(FL)を提案する。 FLは、データ集中化なしで、スケーラブルでハイパフォーマンスでプライバシ保護のオブジェクト検出を可能にする。 その結果、FLはデータ集中化なしで、分散ドローン群全体にわたってスケーラブルでハイパフォーマンスでプライバシ保護されたオブジェクト検出を可能にする。
  論文  参考訳（メタデータ） (2026-07-02T15:32:37Z)
• InternVLA-M1: A Spatially Guided Vision-Language-Action Framework for Generalist Robot Policy [138.89177083578213]
  空間接地とロボット制御のための統合フレームワークであるInternVLA-M1を紹介する。 InternVLA-M1は、(i)2.3M以上の空間的推論データに基づく空間的グラウンドトレーニングと(ii)空間的に誘導された後トレーニングという、2段階のパイプラインを使用する。 結果: InternVLA-M1 は SimplerEnv Google Robot で+14.6%、WidowX で+17%、LIBERO Franka で+4.3% で、空間誘導なしでその変種を上回った。
  論文  参考訳（メタデータ） (2025-10-15T17:30:05Z)
• Deep Learning for Human Locomotion Analysis in Lower-Limb Exoskeletons: A Comparative Study [1.3569491184708433]
  本稿では,8つのディープニューラルネットワークのバックボーンによる高レベル移動パラメータの予測実験を行った。 LSTMは高い地形分類精度(0.94 +- 0.04)と正確な傾斜斜面(1.95 +- 0.58deg)、CNN-LSTMは階段の高さ(15.65 +- 7.40 mm)を達成した。 システムは2ミリ秒の推論時間で動作し、リアルタイムアプリケーションをサポートする。
  論文  参考訳（メタデータ） (2025-03-21T07:12:44Z)
• SURDS: Benchmarking Spatial Understanding and Reasoning in Driving Scenarios with Vision Language Models [15.50826328938879]
  視覚言語モデル(VLM)の空間的推論能力を評価するためのベンチマークであるSURDSを紹介する。 nuScenesデータセットに基づいて構築されたSURDSは、41,080の視覚要求回答トレーニングインスタンスと9,250の評価サンプルで構成されている。 本研究では,空間的に接地された報酬信号を利用した強化学習に基づくアライメント手法を提案する。
  論文  参考訳（メタデータ） (2024-11-20T08:14:01Z)
• On-device Self-supervised Learning of Visual Perception Tasks aboard Hardware-limited Nano-quadrotors [53.59319391812798]
  SI50グラム以下のナノドロンは、学術と産業の両方で勢いを増している。 彼らの最も魅力的なアプリケーションは、知覚のためのディープラーニングモデルに依存している。 未知の環境にデプロイする場合、これらのモデルはドメインシフトによってパフォーマンスが低下することが多い。 本研究では,ナノドローンを用いたデバイス上での学習を初めて提案する。
  論文  参考訳（メタデータ） (2024-03-06T22:04:14Z)
• Collaborative Learning with a Drone Orchestrator [79.75113006257872]
  インテリジェントな無線デバイス群は、ドローンの助けを借りて共有ニューラルネットワークモデルを訓練する。 提案したフレームワークは,トレーニングの大幅な高速化を実現し,ドローンホバリング時間の平均24%と87%の削減を実現している。
  論文  参考訳（メタデータ） (2023-03-03T23:46:25Z)

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。