論文の概要: Geometric Red-Teaming for Robotic Manipulation

• arxiv url: http://arxiv.org/abs/2509.12379v1
• Date: Mon, 15 Sep 2025 19:12:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-17 17:50:52.731926
• Title: Geometric Red-Teaming for Robotic Manipulation
• Title（参考訳）: ロボットマニピュレーションのための幾何学的組立
• Authors: Divyam Goel, Yufei Wang, Tiancheng Wu, Guixiu Qiao, Pavel Piliptchak, David Held, Zackory Erickson,
• Abstract要約: 対象中心の幾何学的摂動を通してロバストネスを探索するフレームワークであるGeometric Red-Teaming (GRT)を紹介した。 GRTは、ポリシー性能を崩壊させる変形を常に発見し、不安定な障害モードを明らかにします。 ブルーチームと呼ばれるプロセスである個別のCrashShapeの微調整により、タスクの成功率が最大60ポイント向上することを示す。
• 参考スコア（独自算出の注目度）: 19.44719442639264
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Standard evaluation protocols in robotic manipulation typically assess policy performance over curated, in-distribution test sets, offering limited insight into how systems fail under plausible variation. We introduce Geometric Red-Teaming (GRT), a red-teaming framework that probes robustness through object-centric geometric perturbations, automatically generating CrashShapes -- structurally valid, user-constrained mesh deformations that trigger catastrophic failures in pre-trained manipulation policies. The method integrates a Jacobian field-based deformation model with a gradient-free, simulator-in-the-loop optimization strategy. Across insertion, articulation, and grasping tasks, GRT consistently discovers deformations that collapse policy performance, revealing brittle failure modes missed by static benchmarks. By combining task-level policy rollouts with constraint-aware shape exploration, we aim to build a general purpose framework for structured, object-centric robustness evaluation in robotic manipulation. We additionally show that fine-tuning on individual CrashShapes, a process we refer to as blue-teaming, improves task success by up to 60 percentage points on those shapes, while preserving performance on the original object, demonstrating the utility of red-teamed geometries for targeted policy refinement. Finally, we validate both red-teaming and blue-teaming results with a real robotic arm, observing that simulated CrashShapes reduce task success from 90% to as low as 22.5%, and that blue-teaming recovers performance to up to 90% on the corresponding real-world geometry -- closely matching simulation outcomes. Videos and code can be found on our project website: https://georedteam.github.io/ .
• Abstract（参考訳）: ロボット操作における標準的な評価プロトコルは、通常、キュレートされた分散テストセットよりも、ポリシーのパフォーマンスを評価し、システムが可算変動の下でどのように失敗するかについての限られた洞察を提供する。 Geometric Red-Teaming(GRT)は、オブジェクト中心の幾何学的摂動を通じて堅牢性を調査し、CrashShapesを自動的に生成する、赤チームフレームワークである。 この手法は、ジャコビアン場に基づく変形モデルと、勾配のないシミュレーター・イン・ザ・ループ最適化戦略を統合する。 挿入、調音、把握タスク全体にわたって、GRTはポリシー性能を崩壊させる変形を常に発見し、静的ベンチマークで見逃された不安定な障害モードを明らかにする。 タスクレベルのポリシーロールアウトと制約を考慮した形状探索を組み合わせることで、ロボット操作における構造化されたオブジェクト中心の堅牢性評価のための汎用的なフレームワークを構築することを目指している。 さらに、個別のCrashShapesの微調整は、ブルーチームと呼ばれるプロセスであり、これらの形状のタスク成功率を最大60ポイント向上すると同時に、元のオブジェクトのパフォーマンスを保ち、ターゲットとする政策改善のための赤チームのジオメトリの有用性を実証する。 最後に、実際のロボットアームでレッドチームとブルーチームの両方を検証し、CrashShapeがタスクの成功を90%から22.5%に減らし、ブルーチームによって対応する実世界の幾何学において最大90%のパフォーマンスが回復し、シミュレーション結果と密接に一致することを観察した。 ビデオとコードは、プロジェクトのWebサイトにある。

関連論文リスト

• RGBTrack: Fast, Robust Depth-Free 6D Pose Estimation and Tracking [24.866881488130407]
  リアルタイムな6Dポーズ推定と追跡のためのロバストなフレームワークRGBTrackを導入する。 我々は、深度を効率的に推測するレンダリング・アンド・コンパートメント機構と組み合わせた、新しいバイナリ検索戦略を考案した。 RGBTrackの新たなディープフリーアプローチは,競合精度とリアルタイム性能を実現する。
  論文  参考訳（メタデータ） (2025-06-20T16:19:28Z)
• Detection Based Part-level Articulated Object Reconstruction from Single RGBD Image [52.11275397911693]
  本稿では,1枚のRGBD画像から複数の人工関節オブジェクトを再構成する,エンドツーエンドで訓練可能なクロスカテゴリ手法を提案する。 私たちは、あらかじめ定義された部分数で人工的なオブジェクトに焦点をあて、インスタンスレベルの潜在空間を学習することに依存する以前の作業から離れています。 提案手法は, 従来の作業では処理できない様々な構成された複数インスタンスの再構築に成功し, 形状再構成や運動学推定において, 先行の作業よりも優れていた。
  論文  参考訳（メタデータ） (2025-04-04T05:08:04Z)
• KP-RED: Exploiting Semantic Keypoints for Joint 3D Shape Retrieval and Deformation [87.23575166061413]
  KP-RED は KeyPoint 主導の Retrieval and deformation フレームワークである。 オブジェクトスキャンを入力として、最も幾何学的に類似したCADモデルを共同で検索し、変形させる。
  論文  参考訳（メタデータ） (2024-03-15T08:44:56Z)
• Real Evaluations Tractability using Continuous Goal-Directed Actions in Smart City Applications [3.1158660854608824]
  継続的目標指向アクション(CGDA)は、環境から抽出できるあらゆる機能の変更としてアクションをエンコードする。 現在の戦略では、シミュレーションで評価を行い、最終的な関節軌道を実際のロボットに転送する。 EAを用いた評価を減らすための2つの異なるアプローチが提案され、比較された。
  論文  参考訳（メタデータ） (2024-02-01T15:38:21Z)
• Robust Visual Sim-to-Real Transfer for Robotic Manipulation [79.66851068682779]
  シミュレーションにおけるビジュモータポリシーの学習は、現実世界よりも安全で安価である。 しかし、シミュレーションデータと実データとの相違により、シミュレータ訓練されたポリシーは実際のロボットに転送されると失敗することが多い。 視覚的なsim-to-real領域ギャップを埋める一般的なアプローチは、ドメインランダム化(DR)である。
  論文  参考訳（メタデータ） (2023-07-28T05:47:24Z)
• Unseen Object Instance Segmentation with Fully Test-time RGB-D Embeddings Adaptation [14.258456366985444]
  最近では、大規模な合成データのRGB-D機能を活用し、実世界のシナリオにモデルを適用するのが一般的である。 本稿では,Sim2Realドメイン間の適応プロセスを再強調する。 本稿では,BatchNorm層のパラメータに基づいて,完全テスト時間RGB-D埋め込み適応(FTEA)を行うフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-04-21T02:35:20Z)
• Visual SLAM with Graph-Cut Optimized Multi-Plane Reconstruction [11.215334675788952]
  本稿では,インスタンス平面セグメンテーションネットワークからのキューを用いたポーズ推定とマッピングを改善する意味平面SLAMシステムを提案する。 メインストリームのアプローチはRGB-Dセンサーを使用するが、そのようなシステムを備えた単眼カメラを使うことは、ロバストデータアソシエーションや正確な幾何モデルフィッティングといった課題に直面している。
  論文  参考訳（メタデータ） (2021-08-09T18:16:08Z)
• RICE: Refining Instance Masks in Cluttered Environments with Graph Neural Networks [53.15260967235835]
  本稿では,インスタンスマスクのグラフベース表現を利用して,そのような手法の出力を改良する新しいフレームワークを提案する。 我々は、セグメンテーションにスマートな摂動をサンプリングできるディープネットワークと、オブジェクト間の関係をエンコード可能なグラフニューラルネットワークを訓練し、セグメンテーションを評価する。 本稿では,本手法によって生成された不確実性推定を用いてマニピュレータを誘導し,乱れたシーンを効率的に理解するアプリケーションについて紹介する。
  論文  参考訳（メタデータ） (2021-06-29T20:29:29Z)
• ROME: Robustifying Memory-Efficient NAS via Topology Disentanglement and Gradient Accumulation [106.04777600352743]
  微分可能なアーキテクチャサーチ(DARTS)は、スーパーネット全体がメモリに格納されているため、メモリコストが大幅に低下する。 シングルパスのDARTSが登場し、各ステップでシングルパスのサブモデルのみを選択する。 メモリフレンドリーだが、計算コストも低い。 RObustifying Memory-Efficient NAS (ROME) と呼ばれる新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-11-23T06:34:07Z)
• Survivable Hyper-Redundant Robotic Arm with Bayesian Policy Morphing [1.2891210250935143]
  我々は,ロボットエージェントが学習方針を自己修正できるような,ベイズ政策形態(BPM)の枠組みを定式化する。 本研究では,事前経験に偏った方針探索が,サンプリング要求の観点から学習効率を著しく向上させることを示す。 以上の結果から,ロボットアームは物理的損傷があっても,対象物の位置を正確に把握する機能を維持することができることがわかった。
  論文  参考訳（メタデータ） (2020-10-20T02:14:22Z)

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。