論文の概要: POD-RoPE: Rotary Position Encoding over Physical Observation Distributions for Embodied AI

• arxiv url: http://arxiv.org/abs/2610.33745v2
• Date: Wed, 28 Oct 2026 18:42:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-30 22:39:27.488222
• Title: POD-RoPE: Rotary Position Encoding over Physical Observation Distributions for Embodied AI
• Title（参考訳）: POD-RoPE: 身体的AIのための物理観測分布のロータリー位置符号化
• Abstract要約: 身体的知覚は、物理的幾何学と空間的および時間的観測範囲の両方を捉える位置表現を必要とする。 我々は,トークン観測のフットプリントを表すPOD-RoPEを紹介した。
• 参考スコア（独自算出の注目度）: 11.761862487715876
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Embodied perception requires positional representations that capture both physical geometry and the spatial and temporal extent of observations. We introduce POD-RoPE (Physical Observation Distribution RoPE), which represents token observation footprints as distributions over camera centers, viewing directions, and sampling times. Under independent sampling, expected rotations encode relative relationships between distributions; when each distribution collapses to a single address, the construction recovers pointwise RoPE. The same rotation statistics support Q/K matching and coherence-dependent V/O transformations, allowing observation geometry to guide both information selection and content aggregation. Per-token pre-aggregation avoids increasing sequence length or processing pairs of observation nodes. We evaluate POD-RoPE across four robot policy architectures, simulation and real-world manipulation, and complementary reconstruction, depth-estimation, and novel-view-synthesis tasks. Integrating POD-RoPE into Fast-WAM improves mean success from 91.83% to 92.88% across all 50 RoboTwin 2.0 tasks, and from 32.5% to 52.5% on two real-robot tasks on Sharpa North. Controlled reconstruction ablations support the contributions of distribution encoding and V/O transformations. In H20 model-block benchmarks, POD-RoPE achieves median forward-plus-backward speedups of $1.91\times$ over P-RoPE and $5.34\times$ over RayRoPE, with a median latency overhead of 17.4% over Standard RoPE. These results support physical observation distributions as an effective and computationally efficient basis for geometry-aware attention.
• Abstract（参考訳）: 身体的知覚は、物理的幾何学と空間的および時間的観測範囲の両方を捉える位置表現を必要とする。 トークン観測のフットプリントを表すPOD-RoPE(Physical Observation Distribution RoPE)を導入する。 独立サンプリングの下では、期待される回転は分布間の相対関係を符号化し、各分布が1つのアドレスに崩壊すると、構成はポイントワイズ RoPE を回復する。 同じ回転統計はQ/Kマッチングとコヒーレンスに依存したV/O変換をサポートし、観測幾何学は情報選択とコンテンツ集約の両方を導くことができる。 トークンごとの事前集約は、シーケンス長の増大や観測ノードのペアの処理を避ける。 我々は,4つのロボットポリシーアーキテクチャ,シミュレーションと実世界の操作,補完的再構築,深度推定,新規ビュー合成タスクにおけるPOD-RoPEの評価を行った。 POD-RoPEをFast-WAMに統合することで、50のRoboTwin 2.0タスクで平均91.83%から92.88%、シャーパノースで2つの実ロボットタスクで32.5%から52.5%に改善された。 制御された再構築は、分散エンコーディングとV/O変換の寄与をサポートする。 H20モデルブロックベンチマークでは、POD-RoPEはP-RoPEよりも1.91\times$、RayRoPEより5.34\times$、標準RoPEより17.4%の遅延オーバーヘッドを達成している。 これらの結果は、幾何学的注意力の有効かつ効率的な基礎として、物理観測分布を支持する。

関連論文リスト

• RoPE-Flow: Monocular Vision-based Robot Pose Estimation via 2D Graph-Conditioned 3D Flow Matching [16.303073816779378]
  カメラとロボットのポーズ推定のためのエンドツーエンドのフローマッチングフレームワークであるRoPE-Flowを提案する。 予測された2次元熱マップから,位置特徴を得るためのキーポイント中心の特徴抽出器を提案する。 また、学習可能な隣接マップを組み込んでフローマッチングの条件を生成するグラフ誘導条件生成器も導入する。
  論文  参考訳（メタデータ） (2026-10-15T01:40:49Z)
• WorldRoPE: Probabilistic World-Centric Rotary Embedding for Multi-View Attention [37.339633377994645]
  RoPE(Rotary Positional Embedding)は、トランスフォーマーの相対的な位置を符号化するために広く使われている。 マルチビュー設定では、パッチ座標は各画像内で独立に定義される。 マルチビューアテンションのための世界中心のRoPEであるWorldRoPEを紹介する。
  論文  参考訳（メタデータ） (2026-10-12T07:56:46Z)
• 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)
• RoVE: Rotary Value Embeddings Attention for Relative Position-dependent Value Pathways [52.94485753759119]
  RoPE(Rotary Position Embeddings)は、位置相対的だが、位置盲点を残している。 本稿では,キーを同時に回転させることにより,パラメータフリーな値に感応性を持たせるRoVEを提案し,RoPEの注意を注意的畳み込みに変換することを示す。
  論文  参考訳（メタデータ） (2026-06-09T09:56:50Z)
• URoPE: Universal Relative Position Embedding across Geometric Spaces [55.651792747815854]
  URoPEは回転位置埋め込み(Rotary Position Embedding, RoPE)の普遍的な拡張である。 キー/値の画像パッチごとに、URoPEは事前に定義された奥行きアンカーで対応するカメラ線に沿って3Dポイントをサンプリングする。 標準2D RoPEは、投影されたピクセル座標を用いて適用することができる。
  論文  参考訳（メタデータ） (2026-04-20T18:52:03Z)
• DoPE: Denoising Rotary Position Embedding [60.779039511252584]
  トランスフォーマーモデルにおける回転位置埋め込み(RoPE)は、長さを弱める固有の限界を持つ。 ノイズのある特徴写像として位置符号化を用いたアテンションマップを再解釈し、位置補間ページ(DoPE)を提案する。 DoPEは、トランカテッド行列エントロピーに基づくトレーニング不要な手法であり、特徴写像における外乱周波数帯域を検出する。
  論文  参考訳（メタデータ） (2025-11-12T09:32:35Z)
• A Circular Argument : Does RoPE need to be Equivariant for Vision? [45.33536249657655]
  数学的には、RoPEは1次元データに同変位置埋め込みを組み込むための最も一般的な解の1つであることを示す。 我々は,Mixed RoPEに類似した手法であるSpherical RoPEを提案するが,非可換ジェネレータを仮定する。
  論文  参考訳（メタデータ） (2025-11-11T15:47:54Z)
• Decoupling the "What" and "Where" With Polar Coordinate Positional Embeddings [29.421443764865003]
  本稿では,RoPEの回転位置埋め込みにおいて,何とどこで絡み合っているのかを解析する。 本稿では,Polar Coordinate Position Embeddings(PoPE)と呼ばれるRoPEの改良を提案する。
  論文  参考訳（メタデータ） (2025-09-05T14:22:27Z)
• Rotation-Invariant Transformer for Point Cloud Matching [42.5714375149213]
  我々は,回転不変変換器であるRoITrを導入し,点クラウドマッチングタスクにおけるポーズ変動に対処する。 本稿では,自己認識機構によって学習した,回転不変なクロスフレーム空間認識を備えたグローバルトランスフォーマーを提案する。 RoITrは、Inlier RatioとRegistration Recallの点で、既存のメソッドを少なくとも13と5のパーセンテージで上回っている。
  論文  参考訳（メタデータ） (2023-03-14T20:55:27Z)
• Augmented Parallel-Pyramid Net for Attention Guided Pose-Estimation [90.28365183660438]
  本稿では、注意部分モジュールと微分可能な自動データ拡張を備えた拡張並列ピラミドネットを提案する。 我々は、データ拡張のシーケンスをトレーニング可能なCNNコンポーネントとして定式化する新しいポーズ検索空間を定義する。 特に,本手法は,挑戦的なCOCOキーポイントベンチマークとMPIIデータセットの最先端結果において,トップ1の精度を実現する。
  論文  参考訳（メタデータ） (2020-03-17T03:52:17Z)

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。