Fugu-MT 論文翻訳(概要): LEAP: Making Privileged Geometry Supervision Effective for Visuomotor Learning

論文の概要: LEAP: Making Privileged Geometry Supervision Effective for Visuomotor Learning

arxiv url: http://arxiv.org/abs/2610.07015v1
Date: Sun, 04 Oct 2026 14:13:33 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-08 02:58:29.507595
Title: LEAP: Making Privileged Geometry Supervision Effective for Visuomotor Learning
Title（参考訳）: LEAP: 視覚運動学習にプリビジュアライズされた幾何学を効果的に
Abstract要約: 予備的な3D監視は、トレーニング中に追加情報を使用して、RGBベースのビジュモータポリシー学習をガイドする。我々は,この監督を弱める3つの制約,例えば支配的視点依存とタスク非関係な幾何学が支配する再構築目標を同定する。これらの制約に対処するために、Latent Aligned Privileged Geometry (LEAP)を提案する。
参考スコア（独自算出の注目度）: 24.4214492626276
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Privileged 3D supervision uses additional geometric information during training to guide RGB-based visuomotor policy learning, without requiring geometric inputs at deployment. However, low reconstruction error does not ensure that visual representations capture geometry useful for control. We identify three limitations that weaken this supervision: proprioceptive shortcuts, dominant-view reliance, and reconstruction objectives dominated by task-irrelevant geometry. To address these limitations, we propose Latent Encoding with Aligned Privileged Geometry (LEAP). Our framework uses an auxiliary decoder to reconstruct point clouds within the manipulation workspace from visual features alone, while retaining proprioception for action prediction. Alongside full reconstruction, we introduce wrist-view dropout and partial reconstruction targets matched to the retained wrist, encouraging the encoder to capture complementary local geometry. The auxiliary decoder is removed at inference, leaving only RGB observations and robot state as policy inputs. Extensive experiments on RoboTwin, ManiSkill, and real-world tasks demonstrate consistent and substantial improvements over Diffusion Policy and ACT, with only a small increase in parameter count and no reduction in inference speed.
Abstract（参考訳）: プリヴィレグド3D監視は、訓練中に幾何学的な情報を使用して、配置時に幾何学的な入力を必要とせず、RGBベースのビジュモータポリシー学習をガイドする。しかし、低い再構成誤差は、視覚表現が制御に有用な幾何学を捉えることを保証しない。我々は、この監督を弱める3つの制限を識別する: 主観的ショートカット、支配的視点依存、およびタスク非関連幾何に支配される再構築目的である。これらの制約に対処するため,我々はLatent Encoding with Aligned Privileged Geometry (LEAP)を提案する。我々のフレームワークは補助デコーダを用いて視覚的特徴のみから操作作業空間内の点雲を再構成し、行動予測のためのプロレセプションを保持する。完全再建と同時に,手首に適合した手首視下降と部分再建ターゲットを導入し,補完的な局所形状を捉えるようにエンコーダに促した。補助復号器は推論時に除去され、ポリシー入力としてRGB観測とロボット状態のみが残る。 RoboTwin、ManiSkill、および実世界のタスクに対する大規模な実験は、拡散政策やACTよりも一貫した実質的な改善を示し、パラメータカウントはわずかに増加し、推論速度は低下しない。

関連論文リスト

GeoScaffold: Learning Compact Geometric Latents via Reconstruction for Efficient Vision-Language Navigation [22.907324632173033]
近年のヴィジュアル・アンド・ランゲージナビゲーション(VLN)システムは、エゴセントリックなRGB観測と指示を直接低レベルアクションにマッピングするストリーミングビデオLLMポリシーを採用するようになっている。既存のジオメトリ対応拡張は、深度センサー、3Dエンコーダ、ステップ単位の認識ツールコールといった、永続的な推論時間価格を課金する。我々は,幾何を政策自体に内在化することで,この価格をトレーニング時に1回だけ支払う幾何学的監視フレームワークGeoScaffoldを提案する。
論文参考訳（メタデータ） (2026-10-02T02:24:02Z)
AURORA: Active Uncertainty-Driven Re-Orientation for In-Hand Reconstruction [3.5114410417921866]
AURORAはアクティブな3D再構成フレームワークで、オンラインオブジェクト中心の再構築と手作業でのリオリエンテーションのループを閉じる。レイGPISは、候補視線に沿った方向方向再構成の不確かさを推定し、次のベクター・ビュー・ターゲットを選択する。実験により、AURORAは非アクティブな回転戦略よりも復元品質と情報取得効率を向上させることが示された。
論文参考訳（メタデータ） (2026-09-08T09:35:01Z)
TRACE-GS: On-Policy Trajectory Distillation with Privileged Geometric Conditioning for Sparse-View 3DGS Restoration [17.435410648031297]
TRACE-GSはスパースビュー3DGS推論のためのオンライントラジェクトリー蒸留フレームワークである。軽視された3DGS復元のための特権的幾何学から、政治上の監督を引き出すのが最初である。
論文参考訳（メタデータ） (2026-08-10T22:43:06Z)
StrataVLA: Hierarchical and Efficient 3D Geometric Grounding for Vision-Language-Action Models [10.057878395484833]
Vision-Language-Action (VLA)モデルは、大規模な視覚言語事前学習から強力なセマンティック・プレトレーニングを継承する。既存のアプローチでは、明示的な深さやポイントクラウド入力を必要とするか、トレーニング時の監視に幾何学を圧縮するか、モデル入力やアクションエキスパートにのみ注入する。階層的幾何学的接地のためのプラグアンドプレイフレームワークであるStrataVLAを紹介する。
論文参考訳（メタデータ） (2026-08-03T13:58:37Z)
Visual Geometry Transformer in the Wild: Distractor-Free 3D Reconstruction [77.75911117889915]
現在のエンドツーエンドのマルチビュー3D再構成手法は、目覚ましい結果を得るが、制限的な静的仮定に依存している。この理想的な入力への依存は、最も高度なメソッドでさえ、現実世界の設定で失敗する原因となる。非一貫性の視点から頑健な再構築を行うためのエンドツーエンドフレームワークであるWildにおけるビジュアルジオメトリトランスフォーマーを提案する。
論文参考訳（メタデータ） (2026-06-22T02:52:22Z)
VidSplat: Gaussian Splatting Reconstruction with Geometry-Guided Video Diffusion Priors [79.88300861391114]
VidSplatは、トレーニング不要な生成的再構築フレームワークである。生成と再構築の効果的な統合を可能にする2つの重要な課題に取り組む。広範に使用されているベンチマーク実験は、スパースビューのシーン再構成における優れた性能を示している。
論文参考訳（メタデータ） (2026-05-12T02:20:31Z)
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)
Geometric-aware Pretraining for Vision-centric 3D Object Detection [77.7979088689944]
GAPretrainと呼ばれる新しい幾何学的事前学習フレームワークを提案する。 GAPretrainは、複数の最先端検出器に柔軟に適用可能なプラグアンドプレイソリューションとして機能する。 BEVFormer法を用いて, nuScenes val の 46.2 mAP と 55.5 NDS を実現し, それぞれ 2.7 と 2.1 点を得た。
論文参考訳（メタデータ） (2023-04-06T14:33:05Z)
MAELi: Masked Autoencoder for Large-Scale LiDAR Point Clouds [13.426810473131642]
Masked AutoEncoder for LiDAR Point clouds (MAELi) は、復元中にエンコーダとデコーダの両方でLiDARポイントクラウドの空間性を直感的に活用する。新たな再構築アプローチでは、MAELiは空空間と隠された空間を区別する。これにより、MAELiは基礎となる3次元シーンの幾何学と意味論の理解を得る。
論文参考訳（メタデータ） (2022-12-14T13:10:27Z)
Self-Supervised Point Cloud Representation Learning with Occlusion Auto-Encoder [63.77257588569852]
本稿では,3D Occlusion Auto-Encoder(3D-OAE)を提案する。私たちのキーとなるアイデアは、入力ポイントクラウドのローカルパッチをランダムに排除し、隠されたパッチを復元することで監督を確立することです。従来の手法とは対照的に、我々の3D-OAEは大量のパッチを除去し、少数の可視パッチでしか予測できない。
論文参考訳（メタデータ） (2022-03-26T14:06:29Z)

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。