論文の概要: Uncertainty-Aware Non-Prehensile Manipulation with Mobile Manipulators under Object-Induced Occlusion
- arxiv url: http://arxiv.org/abs/2602.01731v1
- Date: Mon, 02 Feb 2026 07:12:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:41.080024
- Title: Uncertainty-Aware Non-Prehensile Manipulation with Mobile Manipulators under Object-Induced Occlusion
- Title（参考訳）: 物体閉塞下での移動マニピュレータによる不確実性を考慮した非定常マニピュレーション
- Authors: Jiwoo Hwang, Taegeun Yang, Jeil Jeong, Minsung Yoon, Sung-Eui Yoon,
- Abstract要約: オンボードセンシングを用いた非包括的操作は根本的な課題である。
本稿では,この課題に対処する強化学習フレームワークCURA-PPOを提案する。
本手法は,オンボードセンシングのみを用いて,乱雑な環境下での自律的な操作を実現するための実用的なソリューションを提供する。
- 参考スコア（独自算出の注目度）: 14.81767061528854
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Non-prehensile manipulation using onboard sensing presents a fundamental challenge: the manipulated object occludes the sensor's field of view, creating occluded regions that can lead to collisions. We propose CURA-PPO, a reinforcement learning framework that addresses this challenge by explicitly modeling uncertainty under partial observability. By predicting collision possibility as a distribution, we extract both risk and uncertainty to guide the robot's actions. The uncertainty term encourages active perception, enabling simultaneous manipulation and information gathering to resolve occlusions. When combined with confidence maps that capture observation reliability, our approach enables safe navigation despite severe sensor occlusion. Extensive experiments across varying object sizes and obstacle configurations demonstrate that CURA-PPO achieves up to 3X higher success rates than the baselines, with learned behaviors that handle occlusions. Our method provides a practical solution for autonomous manipulation in cluttered environments using only onboard sensing.
- Abstract（参考訳）: オンボードセンシングを用いた非包括的操作は、基本的な課題である: 操作されたオブジェクトはセンサーの視野を遮蔽し、衝突につながる可能性のある閉鎖された領域を生成する。
本稿では,この課題に対処する強化学習フレームワークCURA-PPOを提案する。
衝突確率を分布として予測することにより,ロボットの動作を誘導するリスクと不確実性の両方を抽出する。
不確実性という用語は、アクティブな知覚を促進し、同時に操作と情報収集を可能にして、閉塞を解決する。
観測信頼性を捉える信頼マップと組み合わせることで、センサーの強い閉塞にもかかわらず安全なナビゲーションが可能となる。
様々な物体の大きさと障害物構成の広範な実験により、CURA-PPOは、オクルージョンを扱う学習行動によって、ベースラインよりも最大で3倍の成功率を達成することが示された。
本手法は,オンボードセンシングのみを用いて,乱雑な環境下での自律的な操作を実現するための実用的なソリューションを提供する。
関連論文リスト
- Gaussian Mixture-Based Inverse Perception Contract for Uncertainty-Aware Robot Navigation [14.159772216001954]
逆知覚契約(IPC)は、信頼度の高い基底真理を含む集合に推定値をマッピングすることでそのような接続を提供する。
本稿では,ガウス混合に基づく逆知覚契約(GM-IPC)を導入する。
この不確実性の特徴は、下流の計画フレームワークでリアルタイム安全なナビゲーションに活用できることが示されている。
論文 参考訳（メタデータ） (2026-03-04T17:48:18Z) - Verification of Visual Controllers via Compositional Geometric Transformations [49.81690518952909]
到達可能な集合の外部近似を生成できる知覚ベースのコントローラのための新しい検証フレームワークを提案する。
提案手法の音質を理論的に保証し,ベンチマーク制御環境における有効性を示す。
論文 参考訳（メタデータ） (2025-07-06T20:22:58Z) - OCCUQ: Exploring Efficient Uncertainty Quantification for 3D Occupancy Prediction [9.742801351723482]
現在の方法は、敵条件や分布シフトに起因する不確実性を見落としていることが多い。
本稿では,3次元占有予測のための不確実性推定手法を効率的に適用することを提案する。
本手法は、自律運転システムの堅牢性を高める可能性を示すとともに、信頼性の高い不確実性対策を一貫して示している。
論文 参考訳（メタデータ） (2025-03-13T17:50:07Z) - Learning Visuotactile Estimation and Control for Non-prehensile Manipulation under Occlusions [10.866026182745397]
非包括的操作は、接触に富む環境において、器用なロボットにとって不可欠である。
本稿では,非包括的操作のためのビゾタクティル状態推定器の学習方法と不確実性を考慮した制御ポリシーを提案する。
論文 参考訳（メタデータ） (2024-12-17T18:33:05Z) - OOSTraj: Out-of-Sight Trajectory Prediction With Vision-Positioning Denoising [49.86409475232849]
軌道予測はコンピュータビジョンと自律運転の基本である。
この分野における既存のアプローチは、しばしば正確で完全な観測データを仮定する。
本稿では,視覚的位置決め技術を利用した視線外軌道予測手法を提案する。
論文 参考訳（メタデータ） (2024-04-02T18:30:29Z) - Uncertainty-Aware AB3DMOT by Variational 3D Object Detection [74.8441634948334]
不確実性推定は統計的に正確な予測を提供する効果的なツールである。
本稿では,変分ニューラルネットワークを用いたTANet 3Dオブジェクト検出器を提案し,不確実性のある3Dオブジェクト検出を行う。
論文 参考訳（メタデータ） (2023-02-12T14:30:03Z) - H-SAUR: Hypothesize, Simulate, Act, Update, and Repeat for Understanding
Object Articulations from Interactions [62.510951695174604]
The Hypothesize, Simulate, Act, Update, and Repeat (H-SAUR) is a probabilistic generative framework that generated hypotheses about objects articulate given input observed。
提案手法は,現在最先端のオブジェクト操作フレームワークよりも優れていることを示す。
我々は、学習に基づく視覚モデルから学習前の学習を統合することにより、H-SAURのテスト時間効率をさらに向上する。
論文 参考訳（メタデータ） (2022-10-22T18:39:33Z) - USC: Uncompromising Spatial Constraints for Safety-Oriented 3D Object Detectors in Autonomous Driving [7.355977594790584]
自律運転における3次元物体検出器の安全性指向性能について考察する。
本稿では,単純だが重要な局所化要件を特徴付ける空間的制約 (USC) について述べる。
既存のモデルに対する安全性指向の微調整を可能にするために,定量的な測定値を共通損失関数に組み込む。
論文 参考訳（メタデータ） (2022-09-21T14:03:08Z) - Learning Uncertainty For Safety-Oriented Semantic Segmentation In
Autonomous Driving [77.39239190539871]
自律運転における安全クリティカル画像セグメンテーションを実現するために、不確実性推定をどのように活用できるかを示す。
相似性関数によって測定された不一致予測に基づく新しい不確実性尺度を導入する。
本研究では,提案手法が競合手法よりも推論時間において計算集約性が低いことを示す。
論文 参考訳（メタデータ） (2021-05-28T09:23:05Z) - Learning Control Barrier Functions from Expert Demonstrations [69.23675822701357]
制御障壁関数(CBF)に基づく安全な制御器合成のための学習に基づくアプローチを提案する。
最適化に基づくCBFの学習手法を解析し、基礎となる力学系のリプシッツ仮定の下で証明可能な安全保証を享受する。
私たちの知る限りでは、これらはデータから確実に安全な制御障壁関数を学習する最初の結果です。
論文 参考訳（メタデータ） (2020-04-07T12:29:06Z)
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。