論文の概要: Explainable Neural Inverse Kinematics for Obstacle-Aware Robotic Manipulation: A Comparative Analysis of IKNet Variants

• arxiv url: http://arxiv.org/abs/2512.23312v1
• Date: Mon, 29 Dec 2025 09:02:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:30.44722
• Title: Explainable Neural Inverse Kinematics for Obstacle-Aware Robotic Manipulation: A Comparative Analysis of IKNet Variants
• Title（参考訳）: 障害物を考慮したロボットマニピュレーションのための説明可能なニューラル逆運動学:IKNet変数の比較解析
• Authors: Sheng-Kai Chen, Yi-Ling Tsai, Chun-Chih Chang, Yan-Chen Chen, Po-Chiang Lin,
• Abstract要約: ディープニューラルネットワークは、低コストのマニピュレータが複雑な軌道をリアルタイムで実行できる地点まで、逆運動学(IK)推論を加速させた。 本研究では,Shapley値属性と物理に基づく障害物回避評価を統合した説明可能性中心ワークフローを提案する。
• 参考スコア（独自算出の注目度）: 0.28544513613730205
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep neural networks have accelerated inverse-kinematics (IK) inference to the point where low cost manipulators can execute complex trajectories in real time, yet the opaque nature of these models contradicts the transparency and safety requirements emerging in responsible AI regulation. This study proposes an explainability centered workflow that integrates Shapley-value attribution with physics-based obstacle avoidance evaluation for the ROBOTIS OpenManipulator-X. Building upon the original IKNet, two lightweight variants-Improved IKNet with residual connections and Focused IKNet with position-orientation decoupling are trained on a large, synthetically generated pose-joint dataset. SHAP is employed to derive both global and local importance rankings, while the InterpretML toolkit visualizes partial-dependence patterns that expose non-linear couplings between Cartesian poses and joint angles. To bridge algorithmic insight and robotic safety, each network is embedded in a simulator that subjects the arm to randomized single and multi-obstacle scenes; forward kinematics, capsule-based collision checks, and trajectory metrics quantify the relationship between attribution balance and physical clearance. Qualitative heat maps reveal that architectures distributing importance more evenly across pose dimensions tend to maintain wider safety margins without compromising positional accuracy. The combined analysis demonstrates that explainable AI(XAI) techniques can illuminate hidden failure modes, guide architectural refinements, and inform obstacle aware deployment strategies for learning based IK. The proposed methodology thus contributes a concrete path toward trustworthy, data-driven manipulation that aligns with emerging responsible-AI standards.
• Abstract（参考訳）: ディープニューラルネットワークは、低コストのマニピュレータが複雑なトラジェクトリをリアルタイムで実行できる点まで、逆運動学(Inverse-kinematics, IK)推論を加速させたが、これらのモデルの不透明な性質は、責任あるAI規制で生じる透明性と安全性要件に矛盾する。 本研究では,ROBOTIS OpenManipulator-XにおけるShapley値属性と物理に基づく障害物回避評価を統合した説明可能性中心ワークフローを提案する。 オリジナルのIKNetをベースとした2つの軽量なImproved IKNetと、位置指向の分離による集中IKNetは、大規模な合成されたポーズジョイントデータセットでトレーニングされている。 SHAPはグローバルとローカルの両方の重要度ランキングを導出するために使用され、InterpretMLツールキットは、カルト的ポーズと関節角度の間の非線形結合を明らかにする部分依存パターンを視覚化する。 アルゴリズムによる洞察とロボットの安全性を橋渡しするために、各ネットワークは、ランダム化された単一および複数の障害物シーン、前方キネマティクス、カプセルベースの衝突チェック、およびトラジェクトリメトリクスに腕を組み込んで、属性バランスと物理的クリアランスの関係を定量化するシミュレータに埋め込まれている。 定性的熱マップは、より均一にポーズ次元に分散するアーキテクチャは、位置精度を損なうことなくより広い安全マージンを維持する傾向があることを示している。 複合分析は、AI(XAI)技術が隠れた障害モードを照らし、アーキテクチャの洗練をガイドし、学習ベースのIKのための障害を認識したデプロイメント戦略を通知できることを示した。 提案手法は,新たな責任-AI標準に適合する信頼性の高いデータ駆動操作への具体的な道筋を提供する。

関連論文リスト

• Interpretable Hybrid Deep Q-Learning Framework for IoT-Based Food Spoilage Prediction with Synthetic Data Generation and Hardware Validation [0.5417521241272645]
  インテリジェントでリアルタイムな腐敗予測システムの必要性は、現代のIoT駆動食品サプライチェーンにおいて重要になっている。 本稿では,Long Short-Term Memory(LSTM)とRecurrent Neural Networks(RNN)を統合したハイブリッド強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-22T12:59:48Z)
• Knowledge-Informed Neural Network for Complex-Valued SAR Image Recognition [51.03674130115878]
  本稿では,新しい「圧縮集約圧縮」アーキテクチャ上に構築された軽量なフレームワークであるKnowledge-Informed Neural Network(KINN)を紹介する。 KINNはパラメータ効率の認識における最先端を確立し、データスカースとアウト・オブ・ディストリビューションのシナリオにおいて例外的な一般化を提供する。
  論文  参考訳（メタデータ） (2025-10-23T07:12:26Z)
• Bridging Semantics & Structure for Software Vulnerability Detection using Hybrid Network Models [0.0]
  我々は複雑な相互作用ネットワークとして制御とデータフローの関係を捉えている。 本フレームワークでは,グラフ表現と軽量(4B)局所LLMを組み合わせる。 提案手法は,グラフ注意ネットワークによる埋め込みよりも93.57%の精度で8.36%向上する。
  論文  参考訳（メタデータ） (2025-10-11T19:32:00Z)
• A Pseudo Global Fusion Paradigm-Based Cross-View Network for LiDAR-Based Place Recognition [12.93382945887946]
  LiDARベースのPlace Recognition(LPR)は、Embodied Artificial Intelligence(AI)とAutonomous Drivingにおいて重要なタスクである。 既存のアプローチは、ユークリッド距離に基づく距離学習タスクへの位置認識を減らし、特徴空間の固有の構造やクラス内分散を無視している。 本稿では,これらの課題に対処する革新的な融合パラダイムに基づく,新しいクロスビューネットワークを提案する。
  論文  参考訳（メタデータ） (2025-08-12T13:12:48Z)
• Assured Autonomy with Neuro-Symbolic Perception [11.246557832016238]
  サイバー物理システム(CPS)にデプロイされる最先端AIモデルの多くは、パターンマッチングである。 セキュリティの保証が限られているため、安全クリティカルなドメインと競合するドメインの信頼性が懸念される。 本稿では,データ駆動型知覚モデルにシンボル構造を付与するパラダイムシフトを提案する。
  論文  参考訳（メタデータ） (2025-05-27T15:21:06Z)
• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• LoRA-Ensemble: Efficient Uncertainty Modelling for Self-Attention Networks [52.46420522934253]
  本稿では,自己注意ネットワークのためのパラメータ効率のよいアンサンブル手法であるLoRA-Ensembleを紹介する。 この方法は、BatchEnsembleのような最先端の暗黙のテクニックを上回るだけでなく、Explicit Ensembleの正確さにマッチするか超える。
  論文  参考訳（メタデータ） (2024-05-23T11:10:32Z)
• 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。