論文の概要: FoldPath: End-to-End Object-Centric Motion Generation via Modulated Implicit Paths

• arxiv url: http://arxiv.org/abs/2511.01407v1
• Date: Mon, 03 Nov 2025 10:00:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:27.212039
• Title: FoldPath: End-to-End Object-Centric Motion Generation via Modulated Implicit Paths
• Title（参考訳）: FoldPath: 変調入射経路による物体中心運動生成
• Authors: Paolo Rabino, Gabriele Tiboni, Tatiana Tommasi,
• Abstract要約: 物体中心運動生成(OCMG)のための新しいエンドツーエンドニューラルネットワークFoldPathを紹介する。 エンドエフェクタ・ウェイポイントの離散シーケンスを予測する従来のディープラーニングアプローチとは異なり、FoldPathはロボットの動きを連続関数として学習する。 現実的なシミュレーション環境における総合的な実験を通してFoldPathを検証する。
• 参考スコア（独自算出の注目度）: 8.246768588213463
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Object-Centric Motion Generation (OCMG) is instrumental in advancing automated manufacturing processes, particularly in domains requiring high-precision expert robotic motions, such as spray painting and welding. To realize effective automation, robust algorithms are essential for generating extended, object-aware trajectories across intricate 3D geometries. However, contemporary OCMG techniques are either based on ad-hoc heuristics or employ learning-based pipelines that are still reliant on sensitive post-processing steps to generate executable paths. We introduce FoldPath, a novel, end-to-end, neural field based method for OCMG. Unlike prior deep learning approaches that predict discrete sequences of end-effector waypoints, FoldPath learns the robot motion as a continuous function, thus implicitly encoding smooth output paths. This paradigm shift eliminates the need for brittle post-processing steps that concatenate and order the predicted discrete waypoints. Particularly, our approach demonstrates superior predictive performance compared to recently proposed learning-based methods, and attains generalization capabilities even in real industrial settings, where only a limited amount of 70 expert samples are provided. We validate FoldPath through comprehensive experiments in a realistic simulation environment and introduce new, rigorous metrics designed to comprehensively evaluate long-horizon robotic paths, thus advancing the OCMG task towards practical maturity.
• Abstract（参考訳）: Object-Centric Motion Generation (OCMG) は、特にスプレー塗装や溶接のような高精度なロボットの動きを必要とする領域において、自動製造プロセスの進行に役立っている。 効率的な自動化を実現するためには、複雑な3次元空間をまたいだ拡張されたオブジェクト認識軌跡を生成するために、ロバストなアルゴリズムが不可欠である。 しかし、現代のOCMG技術はアドホックなヒューリスティックに基づいているか、あるいは、実行可能パスを生成するための機密性の高い後処理ステップに依存している学習ベースのパイプラインを使用している。 OCMGのための新しいエンドツーエンドのニューラルフィールドベース手法であるFoldPathを紹介する。 エンドエフェクタ・ウェイポイントの離散シーケンスを予測する事前のディープラーニングアプローチとは異なり、FoldPathはロボットの動きを連続的な関数として学習し、滑らかな出力経路を暗黙的に符号化する。 このパラダイムシフトは、予測された離散的なウェイポイントを連結して順序付ける脆い後処理ステップを不要にする。 特に,本手法は,最近提案した学習手法と比較して優れた予測性能を示し,70個の専門サンプルしか提供されない実産業環境においても,一般化能力を実現する。 現実的なシミュレーション環境での総合的な実験を通じてFoldPathを検証し、長期のロボット経路を包括的に評価する新しい厳密なメトリクスを導入し、OCMGタスクを実用的成熟に向けて進める。

関連論文リスト

• PAHQ: Accelerating Automated Circuit Discovery through Mixed-Precision Inference Optimization [17.316927027489506]
  サーキットディスカバリー(ACDC)は、サーキットディスカバリーにおける重要な方法論として登場した。 しかし、その大規模言語モデルへの適用は、計算の非効率さと極めて高いメモリ要求によって著しく制限されている。 提案手法は,各パッチ処理の効率を最適化し,本手法を根本的に異なるアプローチで提案する。
  論文  参考訳（メタデータ） (2025-10-27T12:24:14Z)
• Constrained Decoding for Robotics Foundation Models [12.916330118607918]
  本稿では,自動回帰ロボット基盤モデルのための制約付き復号化フレームワークであるSafeDecを紹介する。 タスク固有の安全ルールはSignal Temporal Logic (STL) 公式として表現され、最小限のオーバーヘッドで推論時に強制される。 提案手法は,実行時に仮定された動的条件下でのSTL仕様を,再トレーニングなしで確実に満たすものである。
  論文  参考訳（メタデータ） (2025-09-01T19:17:40Z)
• MaskPlanner: Learning-Based Object-Centric Motion Generation from 3D Point Clouds [11.72951300809094]
  オブジェクト中心運動生成(OCMG)は、様々な産業応用において重要な役割を果たしている。 本研究では,局所経路を予測する学習手法であるMaskPlannerを提案する。 本研究は,工学的オーバーヘッドを低減し,いくつかの産業的ユースケースにシームレスに対応するためのOCMGの学習手法を提案する。
  論文  参考訳（メタデータ） (2025-02-26T01:39:25Z)
• Enhancing Path Planning Performance through Image Representation Learning of High-Dimensional Configuration Spaces [0.4143603294943439]
  障害物のある未知のシーンにおける経路計画タスクを高速化する新しい手法を提案する。 高速探索ランダムツリーアルゴリズムを用いて,衝突のない経路の経路点分布を近似した。 本実験は,臨界時間制約下での経路計画タスクを高速化する有望な結果を実証する。
  論文  参考訳（メタデータ） (2025-01-11T21:14:52Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)
• DiffSkill: Skill Abstraction from Differentiable Physics for Deformable Object Manipulations with Tools [96.38972082580294]
  DiffSkillは、変形可能なオブジェクト操作タスクを解決するために、スキル抽象化に微分可能な物理シミュレータを使用する新しいフレームワークである。 特に、勾配に基づくシミュレーターから個々のツールを用いて、まず短距離のスキルを得る。 次に、RGBD画像を入力として取り込む実演軌跡から、ニューラルネットワークの抽象体を学習する。
  論文  参考訳（メタデータ） (2022-03-31T17:59:38Z)
• Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for Online Collision Avoidance [95.86944752753564]
  本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。 我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。 本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
  論文  参考訳（メタデータ） (2020-07-28T07:34:30Z)

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。