Fugu-MT 論文翻訳(概要): Multiview Progress Prediction of Robot Activities

論文の概要: Multiview Progress Prediction of Robot Activities

arxiv url: http://arxiv.org/abs/2603.00151v1
Date: Wed, 25 Feb 2026 07:19:00 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-03 19:50:56.061191
Title: Multiview Progress Prediction of Robot Activities
Title（参考訳）: ロボット活動のマルチビュープログレス予測
Authors: Elena Zoppellari, Federico Becattini, Marco Fiorucci, Lamberto Ballan,
Abstract要約: 本稿では,ロボット操作タスクにおける動作進行予測のためのマルチビューアーキテクチャを提案する。モバイルALOHA実験は,提案手法の有効性を示す。
参考スコア（独自算出の注目度）: 16.115236556856992
License: http://creativecommons.org/licenses/by/4.0/
Abstract: For robots to operate effectively and safely alongside humans, they must be able to understand the progress of ongoing actions. This ability, known as action progress prediction, is critical for tasks ranging from timely assistance to autonomous decision-making. However, modeling action progression in robotics has often been overlooked. Moreover, a single camera may be insufficient for understanding robot's ego-actions, as self-occlusion can significantly hinder perception and model performance. In this paper, we propose a multi-view architecture for action progress prediction in robot manipulation tasks. Experiments on Mobile ALOHA demonstrate the effectiveness of the proposed approach.
Abstract（参考訳）: ロボットが人間と共に効果的かつ安全に動作するためには、進行中の動作の進捗を理解できなければならない。行動進行予測として知られるこの能力は、タイムリーな支援から自律的な意思決定まで幅広いタスクに欠かせない。しかし、ロボット工学におけるモデリングの進歩はしばしば見過ごされてきた。さらに、1台のカメラはロボットの自我行動を理解するのに不十分であり、自己隠蔽は知覚やモデルの性能を著しく損なう可能性がある。本稿では,ロボット操作タスクにおける動作進行予測のためのマルチビューアーキテクチャを提案する。モバイルALOHA実験は,提案手法の有効性を示す。

関連論文リスト

A roadmap for AI in robotics [55.87087746398059]
AIの可能性を生かして、私たちの日常生活にロボットを配備する上での、際立った障壁に取り組みたいと考えています。この記事では、1990年代からロボット工学におけるAIが達成したことを評価し、課題と約束を列挙した短期的・中期的な研究ロードマップを提案する。
論文参考訳（メタデータ） (2025-07-26T15:18:28Z)
Moto: Latent Motion Token as the Bridging Language for Learning Robot Manipulation from Videos [101.26467307473638]
我々はMotoを紹介する。Motoは、映像コンテンツをラテントモーションTokenizerでラテントモーションTokenシーケンスに変換する。我々は、モーショントークンによるMoto-GPTの事前学習を行い、多様な視覚的動きの知識を捉えることができる。実際のロボット動作に先立って学習した動きを転送するために、潜伏した動きのトークン予測と実際のロボット制御をシームレスにブリッジするコファインチューニング戦略を実装した。
論文参考訳（メタデータ） (2024-12-05T18:57:04Z)
An Epistemic Human-Aware Task Planner which Anticipates Human Beliefs and Decisions [8.309981857034902]
目的は、制御不能な人間の行動を説明するロボットポリシーを構築することである。提案手法は,AND-OR探索に基づく新しい計画手法と解法の構築である。 2つの領域における予備的な実験は、1つの新しいものと1つの適応されたもので、フレームワークの有効性を実証している。
論文参考訳（メタデータ） (2024-09-27T08:27:36Z)
Unsupervised Learning of Effective Actions in Robotics [0.9374652839580183]
ロボット工学における現在の最先端のアクション表現は、ロボットのアクションに対する適切な効果駆動学習を欠いている。連続運動空間の離散化と「アクションプロトタイプ」生成のための教師なしアルゴリズムを提案する。シミュレーションされた階段登上補強学習課題について,本手法の評価を行った。
論文参考訳（メタデータ） (2024-04-03T13:28:52Z)
Predicting Human Impressions of Robot Performance During Navigation Tasks [8.01980632893357]
本研究では,非言語行動手がかりと機械学習技術を用いて,ロボット行動に対する人々の印象を予測する可能性を検討する。以上の結果から,表情だけでロボット性能の人的印象について有用な情報が得られることが示唆された。教師付き学習技術は、ほとんどの場合、人間のロボット性能予測よりも優れていたため、有望であった。
論文参考訳（メタデータ） (2023-10-17T21:12:32Z)
Robot Learning with Sensorimotor Pre-training [98.7755895548928]
ロボット工学のための自己教師型感覚運動器事前学習手法を提案する。我々のモデルはRTTと呼ばれ、センサモレータトークンのシーケンスで動作するトランスフォーマーである。感覚運動の事前学習は、ゼロからトレーニングを一貫して上回り、優れたスケーリング特性を持ち、さまざまなタスク、環境、ロボット間での移動を可能にしている。
論文参考訳（メタデータ） (2023-06-16T17:58:10Z)
Self-Improving Robots: End-to-End Autonomous Visuomotor Reinforcement Learning [54.636562516974884]
模倣と強化学習において、人間の監督コストは、ロボットが訓練できるデータの量を制限する。本研究では,自己改善型ロボットシステムのための新しい設計手法であるMEDAL++を提案する。ロボットは、タスクの実施と解除の両方を学ぶことで、自律的にタスクを練習し、同時にデモンストレーションから報酬関数を推論する。
論文参考訳（メタデータ） (2023-03-02T18:51:38Z)
HERD: Continuous Human-to-Robot Evolution for Learning from Human Demonstration [57.045140028275036]
本研究では,マイクロ進化的強化学習を用いて,操作スキルを人間からロボットに伝達可能であることを示す。本稿では,ロボットの進化経路とポリシーを協調的に最適化する多次元進化経路探索アルゴリズムを提案する。
論文参考訳（メタデータ） (2022-12-08T15:56:13Z)
Preemptive Motion Planning for Human-to-Robot Indirect Placement Handovers [12.827398121150386]
ロボットハンドオーバは,(1)直接ハンド・トゥ・ハンド,(2)間接ハンド・トゥ・プレイスメント・トゥ・ピックアップの2つのアプローチのどちらかを用いることができる。このような怠慢な時間を最小化するためには、ロボットは、オブジェクトがどこに置かれるかという人間の意図を事前に予測する必要がある。本稿では,ロボットが人間のエージェントの意図した配置位置へ先進的に移動できるようにする,新しい予測計画パイプラインを提案する。
論文参考訳（メタデータ） (2022-03-01T00:21:39Z)
Show Me What You Can Do: Capability Calibration on Reachable Workspace for Human-Robot Collaboration [83.4081612443128]
本稿では,REMPを用いた短時間キャリブレーションにより,ロボットが到達できると考える非専門家と地道とのギャップを効果的に埋めることができることを示す。この校正手順は,ユーザ認識の向上だけでなく,人間とロボットのコラボレーションの効率化にも寄与することを示す。
論文参考訳（メタデータ） (2021-03-06T09:14:30Z)

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。