GeoPredict：予測運動学と3Dガウス幾何を活用した精密なVLAマニピュレーション

Abstract

Vision-Language-Action（VLA）モデルはロボティクスの把持・操作において強力な汎化性能を示す一方で、ほとんどが反応的で2D中心であるため、精密な3D推論を必要とするタスクでは信頼性に欠けます。そこで本研究では、ジオメトリを意識したVLAフレームワークであるGeoPredictを提案します。GeoPredictは、連続アクションの方策を、予測的な運動学的・幾何学的事前知識で拡張します。GeoPredictは、運動履歴を符号化し、ロボットアームのマルチステップな3Dキーポイント軌道を予測する、軌道レベルのモジュールを導入します。また、将来のキーポイント軌道に沿ったトラック誘導の洗練により、ワークスペースの幾何を予測する、予測的な3Dガウス幾何モジュールも導入します。これらの予測モジュールは、深度ベースのレンダリングによる教師信号としてのみ、学習時に用いられます。一方、推論時には、3D復号を呼び出すことなく、軽量な追加のクエリトークンだけが必要です。RoboCasa Human-50、LIBERO、および実環境での操作タスクに対する実験では、GeoPredictが強力なVLAベースラインを一貫して上回り、特に幾何学的に要求が高く、空間的な制約が厳しいシナリオで顕著な性能向上が見られます。