ORV: 4D belegungszentrierte Robotervideogenerierung
ORV: 4D Occupancy-centric Robot Video Generation
June 3, 2025
Autoren: Xiuyu Yang, Bohan Li, Shaocong Xu, Nan Wang, Chongjie Ye, Zhaoxi Chen, Minghan Qin, Yikang Ding, Xin Jin, Hang Zhao, Hao Zhao
cs.AI
Zusammenfassung
Die Erfassung von realen Robotersimulationsdaten durch Teleoperation ist bekanntlich zeitaufwendig und arbeitsintensiv. In jüngster Zeit haben aktionsgetriebene generative Modelle in der Roboterlern- und Simulationsforschung breite Anwendung gefunden, da sie Sicherheitsbedenken beseitigen und den Wartungsaufwand reduzieren. Allerdings führen die in diesen Methoden verwendeten Aktionssequenzen oft zu begrenzter Kontrollpräzision und schlechter Generalisierung aufgrund ihrer global groben Ausrichtung. Um diese Einschränkungen zu überwinden, schlagen wir ORV, ein Occupancy-zentriertes Robotervideo-Generierungsframework vor, das 4D-semantische Occupancy-Sequenzen als feinkörnige Repräsentation nutzt, um präzisere semantische und geometrische Anleitungen für die Videogenerierung zu bieten. Durch die Nutzung von Occupancy-basierten Repräsentationen ermöglicht ORV die nahtlose Übersetzung von Simulationsdaten in fotorealistische Robotervideos, während gleichzeitig hohe zeitliche Konsistenz und präzise Steuerbarkeit gewährleistet werden. Darüber hinaus unterstützt unser Framework die gleichzeitige Generierung von Multi-View-Videos von Roboter-Greifoperationen – eine wichtige Fähigkeit für nachgelagerte Roboterlernaufgaben. Umfangreiche experimentelle Ergebnisse zeigen, dass ORV bestehende Baseline-Methoden über verschiedene Datensätze und Teilaufgaben hinweg konsequent übertrifft. Demo, Code und Modell: https://orangesodahub.github.io/ORV
English
Acquiring real-world robotic simulation data through teleoperation is
notoriously time-consuming and labor-intensive. Recently, action-driven
generative models have gained widespread adoption in robot learning and
simulation, as they eliminate safety concerns and reduce maintenance efforts.
However, the action sequences used in these methods often result in limited
control precision and poor generalization due to their globally coarse
alignment. To address these limitations, we propose ORV, an Occupancy-centric
Robot Video generation framework, which utilizes 4D semantic occupancy
sequences as a fine-grained representation to provide more accurate semantic
and geometric guidance for video generation. By leveraging occupancy-based
representations, ORV enables seamless translation of simulation data into
photorealistic robot videos, while ensuring high temporal consistency and
precise controllability. Furthermore, our framework supports the simultaneous
generation of multi-view videos of robot gripping operations - an important
capability for downstream robotic learning tasks. Extensive experimental
results demonstrate that ORV consistently outperforms existing baseline methods
across various datasets and sub-tasks. Demo, Code and Model:
https://orangesodahub.github.io/ORV