論文の概要: UF-RNN: Real-Time Adaptive Motion Generation Using Uncertainty-Driven Foresight Prediction

• arxiv url: http://arxiv.org/abs/2510.10217v1
• Date: Sat, 11 Oct 2025 13:44:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 20:23:38.929344
• Title: UF-RNN: Real-Time Adaptive Motion Generation Using Uncertainty-Driven Foresight Prediction
• Title（参考訳）: UF-RNN:不確かさ駆動予測を用いたリアルタイム適応運動生成
• Authors: Hyogo Hiruma, Hiroshi Ito, Tetsuya Ogata,
• Abstract要約: 状態が不確実な環境で効果的に動作するためのロボットの訓練は、ロボット工学における長年の課題である。 本稿では、標準時系列予測とアクティブな「フォレスト」モジュールを組み合わせたモデルである、不確実性駆動型フォレストリカレントニューラルネットワーク(UF-RNN)を提案する。 UF-RNNは、その潜在空間における自己誘起カオス力学を活用することにより、堅牢な適応を示す。 これらの結果は、不確実性駆動型フォレストを模倣学習パイプラインに統合することで、予測不可能な現実世界の状況に対処するロボットの能力を著しく向上させることができることを示唆している。
• 参考スコア（独自算出の注目度）: 4.849928323880955
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Training robots to operate effectively in environments with uncertain states, such as ambiguous object properties or unpredictable interactions, remains a longstanding challenge in robotics. Imitation learning methods typically rely on successful examples and often neglect failure scenarios where uncertainty is most pronounced. To address this limitation, we propose the Uncertainty-driven Foresight Recurrent Neural Network (UF-RNN), a model that combines standard time-series prediction with an active "Foresight" module. This module performs internal simulations of multiple future trajectories and refines the hidden state to minimize predicted variance, enabling the model to selectively explore actions under high uncertainty. We evaluate UF-RNN on a door-opening task in both simulation and a real-robot setting, demonstrating that, despite the absence of explicit failure demonstrations, the model exhibits robust adaptation by leveraging self-induced chaotic dynamics in its latent space. When guided by the Foresight module, these chaotic properties stimulate exploratory behaviors precisely when the environment is ambiguous, yielding improved success rates compared to conventional stochastic RNN baselines. These findings suggest that integrating uncertainty-driven foresight into imitation learning pipelines can significantly enhance a robot's ability to handle unpredictable real-world conditions.
• Abstract（参考訳）: 不明瞭な物体の性質や予測不可能な相互作用などの不確実な環境で効果的に動作するためのロボットの訓練は、ロボット工学における長年の課題である。 模倣学習の手法は通常、成功例に依存し、不確実性が最も顕著な障害シナリオを無視することが多い。 この制限に対処するために、標準時系列予測とアクティブな「フォレスト」モジュールを組み合わせたモデルである、不確実性駆動型フォレストリカレントニューラルネットワーク(UF-RNN)を提案する。 このモジュールは、複数の将来の軌道の内部シミュレーションを行い、予測された分散を最小限に抑えるために隠れた状態を洗練し、高い不確実性の下でモデルを選択的に探索することを可能にする。 シミュレーションと実ロボット設定の両方においてドア開き作業におけるUF-RNNの評価を行い、明示的な故障デモがないにもかかわらず、その潜在空間における自己誘起カオス力学を活用することにより、堅牢な適応性を示すことを示した。 Foresightモジュールによって誘導されたこれらのカオス特性は、環境があいまいな場合の探索的挙動を正確に刺激し、従来の確率的RNNベースラインよりも良好な成功率をもたらす。 これらの結果は、不確実性駆動型フォレストを模倣学習パイプラインに統合することで、予測不可能な現実世界の状況に対処するロボットの能力を著しく向上させることができることを示唆している。

関連論文リスト

• Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
  コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。 シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。 マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
  論文  参考訳（メタデータ） (2025-10-09T04:48:49Z)
• Adaptive Motion Generation Using Uncertainty-Driven Foresight Prediction [2.2120851074630177]
  環境の不確実性は、現実のロボットタスクを実行する際には、長年、扱いにくい特徴だった。 本稿では,動的内部シミュレーションを用いたフォレスト予測を用いた既存の予測学習に基づくロボット制御手法を拡張した。 その結果,提案モデルではドアとの相互作用により動作が適応的に分岐し,従来の手法では安定に分岐しなかった。
  論文  参考訳（メタデータ） (2024-10-01T15:13:27Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Uncertainty-boosted Robust Video Activity Anticipation [72.14155465769201]
  ビデオアクティビティの予測は、ロボットビジョンから自動運転まで幅広い応用可能性を受け入れることで、将来何が起こるかを予測することを目的としている。 近年の進展にもかかわらず、コンテンツ進化過程やイベントラベルの動的相関として反映されたデータ不確実性問題は、何らかの形で無視されている。 本研究では,予測結果の信頼性を示す不確実な値を生成する,不確実性を考慮した頑健なビデオアクティビティ予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-29T12:31:38Z)
• Koopman Invertible Autoencoder: Leveraging Forward and Backward Dynamics for Temporal Modeling [13.38194491846739]
  我々は、Koopman Invertible Autoencoders (KIA) と呼ぶ、Koopman演算子理論に基づく新しい機械学習モデルを提案する。 KIAは、無限次元ヒルベルト空間における前方と後方のダイナミクスをモデル化することによって、システムの固有の特性を捉えている。 これにより,低次元表現を効率よく学習し,長期システムの挙動をより正確に予測することが可能になる。
  論文  参考訳（メタデータ） (2023-09-19T03:42:55Z)
• Lightweight, Uncertainty-Aware Conformalized Visual Odometry [2.429910016019183]
  データ駆動型ビジュアルオドメトリー(VO)は、自律エッジロボティクスにとって重要なサブルーチンである。 昆虫スケールドローンや外科ロボットのような最先端ロボットデバイスは、VOの予測の不確実性を推定する計算的に効率的な枠組みを欠いている。 本稿では,共形推論(CI)を利用してVOの不確実な帯域を抽出する,新しい,軽量で統計的に堅牢なフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-03T20:37:55Z)
• Interpretable Self-Aware Neural Networks for Robust Trajectory Prediction [50.79827516897913]
  本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。 実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-16T06:28:20Z)
• Probabilistic AutoRegressive Neural Networks for Accurate Long-range Forecasting [6.295157260756792]
  確率的自己回帰ニューラルネットワーク(PARNN)について紹介する。 PARNNは、非定常性、非線形性、非調和性、長距離依存、カオスパターンを示す複雑な時系列データを扱うことができる。 本研究では,Transformers,NBeats,DeepARなどの標準統計モデル,機械学習モデル,ディープラーニングモデルに対して,PARNNの性能を評価する。
  論文  参考訳（メタデータ） (2022-04-01T17:57:36Z)
• Attribute-Guided Adversarial Training for Robustness to Natural Perturbations [64.35805267250682]
  本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。 我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
  論文  参考訳（メタデータ） (2020-12-03T10:17:30Z)
• Variational Dynamic for Self-Supervised Exploration in Deep Reinforcement Learning [12.76337275628074]
  本研究では,条件付き変分推論に基づく変動力学モデルを提案し,多モード性および生成性をモデル化する。 環境遷移の負の対数類似度の上界を導出し、その上界を探査の本質的な報酬として利用する。 提案手法は,最先端の環境モデルに基づく探索手法よりも優れている。
  論文  参考訳（メタデータ） (2020-10-17T09:54:51Z)

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。