論文の概要: DynaSlots: Slot-Centric 3D Dynamics Pretraining for Robot Manipulation

• arxiv url: http://arxiv.org/abs/2610.32330v1
• Date: Fri, 23 Oct 2026 08:26:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.434558
• Title: DynaSlots: Slot-Centric 3D Dynamics Pretraining for Robot Manipulation
• Title（参考訳）: DynaSlots:ロボット操作のためのスロット中心3次元ダイナミクス
• Abstract要約: DynaSlotsは3D視覚操作のためのアクションフリー、ラベルフリーの事前トレーニングフレームワークである。 各点のクラウドフレームを時間的に一貫したスロットの小さなセットに分解し、シーンレベルではなくスロット単位のダイナミックスをモデル化する。 シミュレーションにおいて優れた成功率を達成し、現実世界の操作において、シーンの粗い物体や見えない物体に対して強い堅牢性を示す。
• 参考スコア（独自算出の注目度）: 27.647399831600055
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robot manipulation involves localized changes: picking up a cup moves the cup while leaving the surrounding scene largely unchanged. Yet existing 3D visual pretraining methods, including recent dynamics-aware variants, model state transitions at the scene level, compressing the motion of everything in a scene into a single global latent action. This conflates semantically distinct transitions in scenes with multiple moving parts, obscures dependencies between changing regions, and leaves the learned representation vulnerable to task-irrelevant scene content. We introduce DynaSlots, an action-free, label-free pretraining framework that decomposes each point cloud frame into a small set of temporally consistent slots and models dynamics at this per-slot level rather than the scene level. A temporal slot propagation module promotes consistent slot assignments across frames; an inverse dynamics model then extracts one latent action per slot from feature differences, and a diffusion-based forward dynamics model, paired with a self-supervised interaction head, predicts each slot's future state while learning pairwise proximity-and-motion relations. Experiments on Meta-World, Adroit, and a RealMan RM65-B robot demonstrate that DynaSlots outperforms prior scene-level baselines. It achieves superior success rates in simulation and exhibits strong robustness to scene clutter and unseen objects in real-world manipulation. Code is available at \href{https://zhucezhanghao12345-source.github.io/DynaSlots-Anonymous/}{https://zhucezhanghao12345-source.github.io/DynaSlots-Anonymous/}.
• Abstract（参考訳）: カップを拾い上げるとカップが動き、周囲のシーンはほとんど変わらない。 しかし、最近のダイナミックス対応の変種を含む既存の3Dビジュアル事前学習手法では、シーンレベルでの状態遷移をモデル化し、シーン内のすべての動作を単一のグローバル潜在アクションに圧縮する。 これは、複数の可動部分を持つシーンにおける意味的に異なる遷移を混在させ、領域間の依存関係を曖昧にし、学習された表現をタスク非関連シーンコンテンツに脆弱にする。 アクションフリーでラベルフリーな事前トレーニングフレームワークであるDynaSlotsを導入し、各ポイントクラウドフレームを時間的に一貫したスロットの小さなセットに分解し、シーンレベルではなく、このスロット単位のダイナミックスをモデル化する。 時間的スロット伝搬モジュールはフレーム間の一貫したスロット割り当てを促進し、逆ダイナミクスモデルは特徴差からスロット毎に1つの潜在動作を抽出し、拡散ベースのフォワードダイナミクスモデルは自己教師付きインタラクションヘッドと組み合わせて、各スロットの将来の状態をペアワイズ近接移動関係を学習しながら予測する。 Meta-World、Adroit、RealMan RM65-Bロボットの実験は、DynaSlotsが以前のシーンレベルのベースラインより優れていることを示した。 シミュレーションにおいて優れた成功率を達成し、現実世界の操作において、シーンの粗い物体や見えない物体に対して強い堅牢性を示す。 コードは \href{https://zhucezhanghao12345-source.github.io/DynaSlots-Anonymous/}{https://zhucezhanghao12345-source.github.io/DynaSlots-Anonymous/} で公開されている。

関連論文リスト

• World Motion Models: Flexible Sequence Modeling of SE(3) Trajectories [82.08884552902076]
  WMM(World Motion Models)を提案する。 この表現は、明瞭な物体、人体、手動物体の相互作用、断片的に巧妙なシーンダイナミクス、カメラモーション、さらにはロボットの状態とアクションを単一の共有空間に統一する。
  論文  参考訳（メタデータ） (2026-10-01T14:13:24Z)
• Instant-Fold: In-Context Imitation Learning for Deformable Object Manipulation [15.16901531512543]
  Instant-Foldは、DOMのためのコンテキスト内模倣学習フレームワークである。 一人の人間がデモを行うと、このポリシーはデモから直接様々な操作モードを推測し実行します。
  論文  参考訳（メタデータ） (2026-06-02T22:46:20Z)
• DynaFLIP: Rethinking Robotics Perception via Tri-Modal-Dynamics Guided Representation [54.860960182207236]
  そこで我々はDynaFLIPを紹介した。DynaFLIPは動作理解を上流の知覚へと押し上げるマルチモーダル事前学習フレームワークである。 ヘテロジニアスな人間とロボットのビデオから画像言語による3Dフロートレーレットを構築し、これらのトレーレットを訓練時間監視として使用し、画像のみのエンコーダを形成する。 この結果から,ロボットの汎用化は,視覚表現の訓練によって,現在存在するものだけでなく,動作中の世界の変化をコード化することで向上することが示唆された。
  論文  参考訳（メタデータ） (2026-05-28T17:59:53Z)
• DynaRend: Learning 3D Dynamics via Masked Future Rendering for Robotic Manipulation [52.136378691610524]
  本稿では、3次元認識と動的インフォームド三面体特徴を学習する表現学習フレームワークDynaRendを紹介する。 マルチビューRGB-Dビデオデータに基づく事前トレーニングにより、DynaRendは空間幾何学、将来のダイナミクス、タスク意味を統合された三面体表現で共同でキャプチャする。 我々は、RLBenchとColosseumという2つの挑戦的なベンチマークでDynaRendを評価し、政策成功率、環境摂動の一般化、様々な操作タスクにおける実世界の適用性などを大幅に改善した。
  論文  参考訳（メタデータ） (2025-10-28T10:17:11Z)
• DynaMo: In-Domain Dynamics Pretraining for Visuo-Motor Control [18.737628473949048]
  模倣学習は、複雑なビジュモータポリシーを訓練するための強力なツールであることが証明されている。 現在の手法では、高次元の視覚的観察を扱うために数百から数千の専門家によるデモンストレーションが必要となることが多い。 視覚表現を学習するための新しいドメイン内自己教師型DynaMoを提案する。
  論文  参考訳（メタデータ） (2024-09-18T17:59:43Z)
• Puppet-Master: Scaling Interactive Video Generation as a Motion Prior for Part-Level Dynamics [79.4785166021062]
  本稿では,対話型ビデオジェネレータPuppet-Masterを紹介した。 Puppet-Masterは、他のモーションコンディショニングビデオジェネレータとは異なり、パートレベルのモーションを生成することを学習している。 Puppet-Masterはドメイン外の実際のイメージを一般化し、実世界のベンチマークで既存のメソッドよりも優れています。
  論文  参考訳（メタデータ） (2024-08-08T17:59:38Z)
• ROAM: Robust and Object-Aware Motion Generation Using Neural Pose Descriptors [73.26004792375556]
  本稿では,3次元オブジェクト認識キャラクタ合成における新しいシーンオブジェクトへのロバストさと一般化が,参照オブジェクトを1つも持たないモーションモデルをトレーニングすることで実現可能であることを示す。 我々は、オブジェクト専用のデータセットに基づいて訓練された暗黙的な特徴表現を活用し、オブジェクトの周りのSE(3)-同変記述体フィールドをエンコードする。 本研究では,3次元仮想キャラクタの動作と相互作用の質,および未知のオブジェクトを持つシナリオに対するロバスト性を大幅に向上することを示す。
  論文  参考訳（メタデータ） (2023-08-24T17:59:51Z)
• DynaVol: Unsupervised Learning for Dynamic Scenes through Object-Centric Voxelization [67.85434518679382]
  幾何学構造と物体中心学習を統一した3次元シーン生成モデルDynaVolを提案する。 鍵となるアイデアは、シーンの3D特性を捉えるために、オブジェクト中心のボキセル化を実行することである。 ボクセルの機能は標準空間の変形関数を通じて時間とともに進化し、グローバルな表現学習の基礎を形成する。
  論文  参考訳（メタデータ） (2023-04-30T05:29:28Z)
• Learning 3D Dynamic Scene Representations for Robot Manipulation [21.6131570689398]
  ロボット操作のための3Dシーン表現は、永続性、完全性、連続性という3つの重要なオブジェクト特性を捉えなければならない。 本研究では3次元動的表現(DSR)を導入し,オブジェクトを同時に検出,追跡,再構成し,そのダイナミクスを予測する。 本稿では,DSRを段階的に構築・洗練するために,複数の相互作用を通して視覚的観察を集約することを学ぶDSR-Netを提案する。
  論文  参考訳（メタデータ） (2020-11-03T19:23:06Z)

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。