論文の概要: Tracing Back Error Sources to Explain and Mitigate Pose Estimation Failures

• arxiv url: http://arxiv.org/abs/2603.02881v1
• Date: Tue, 03 Mar 2026 11:33:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.857588
• Title: Tracing Back Error Sources to Explain and Mitigate Pose Estimation Failures
• Title（参考訳）: エラーソースをトレースしてポース推定失敗を説明・緩和する
• Authors: Loris Schneider, Yitian Shi, Rosa Wolf, Carolin Brenner, Rudolph Triebel, Rania Rayyes,
• Abstract要約: 本稿では,特定のエラーソースに対する推定誤差を属性とするモジュール型不確実性認識フレームワークを提案する。 我々は現実世界のロボットの把握作業にフレームワークを活用している。
• 参考スコア（独自算出の注目度）: 7.333572296042369
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robust estimation of object poses in robotic manipulation is often addressed using foundational general estimators, that aim to handle diverse error sources naively within a single model. Still, they struggle due to environmental uncertainties, while requiring long inference times and heavy computation. In contrast, we propose a modular, uncertainty-aware framework that attributes pose estimation errors to specific error sources and applies targeted mitigation strategies only when necessary. Instantiated with Iterative Closest Point (ICP) as a simple and lightweight pose estimator, we leverage our framework for real-world robotic grasping tasks. By decomposing pose estimation into failure detection, error attribution, and targeted recovery, we significantly improve the robustness of ICP and achieve competitive performance compared to foundation models, while relying on a substantially simpler and faster pose estimator.
• Abstract（参考訳）: ロボット操作におけるオブジェクトポーズのロバストな推定は、単一のモデル内で様々なエラーソースをナビゲート的に扱うことを目的とした基礎的な一般推定器を用いて解決されることが多い。 それでも、長期の推論時間と重い計算を必要とする一方で、環境の不確実性のために苦労している。 これとは対照的に,特定の誤差源に推定誤差を生じさせるモジュール型不確実性対応フレームワークを提案し,必要に応じてターゲット緩和戦略を適用する。 イテレーティブ・クローゼスト・ポイント(ICP)をシンプルで軽量なポーズ推定器として用い,実世界のロボットグリップタスクにフレームワークを活用する。 フェース推定をフェース検出, エラー属性, ターゲットリカバリに分解することにより, ICPのロバスト性を大幅に向上し, ファンデーションモデルと比較して競争性能を向上すると同時に, よりシンプルで高速なフェース推定器を頼りにしている。

関連論文リスト

• Decoupling Reasoning and Confidence: Resurrecting Calibration in Reinforcement Learning from Verifiable Rewards [71.19033708090389]
  Reinforcement Learning from Verifiable Rewards (RLVR) は、大きな言語モデル(LLM)推論を著しく強化するが、校正劣化に苦しむ。 推論と校正の目的を体系的に分離するフレームワークであるDCPOを提案する。
  論文  参考訳（メタデータ） (2026-03-10T02:47:59Z)
• ER-Pose: Rethinking Keypoint-Driven Representation Learning for Real-Time Human Pose Estimation [2.2248409468073143]
  単一段階の多人数ポーズ推定は、人間の位置推定とキーポイント予測を共同で行うことを目的としている。 ボックス駆動単段ポーズ推定は、トレーニング中にバウンディングボックスの監督によって暗黙的に制限される。 本稿では,主予測目標に対するポーズ推定を高めるキーポイント駆動型学習パラダイムを提案する。 MS COCOとCrowdPoseでは、ER-Pose-nはプレトレーニングなしで3.2/6.7、プレトレーニングで7.4/4.9のAP改善を実現している。
  論文  参考訳（メタデータ） (2026-03-09T17:49:46Z)
• On Calibration of Large Language Models: From Response To Capability [66.59139960234326]
  大規模言語モデル(LLM)は汎用的な問題解決手段として広くデプロイされている。 本稿では,クエリ上でモデルが期待する精度を目標とするキャリブレーションを提案する。 我々の結果は、キャパシティ校正された信頼度がpass@$k$予測と推論予算割り当てを改善することを示している。
  論文  参考訳（メタデータ） (2026-02-14T01:07:45Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• Enhancing LLM Reliability via Explicit Knowledge Boundary Modeling [41.19330514054401]
  大規模言語モデル(LLM)は、不一致の自己認識に起因する幻覚の傾向にある。 本稿では,高速かつ低速な推論システムを統合し,信頼性とユーザビリティを調和させる明示的知識境界モデリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-04T03:16:02Z)
• Bridging Internal Probability and Self-Consistency for Effective and Efficient LLM Reasoning [53.25336975467293]
  パープレキシティや自己整合性などの手法の第一理論誤差分解解析について述べる。 パープレキシティ法は、適切な整合関数が存在しないため、かなりのモデル誤差に悩まされる。 本稿では、自己整合性とパープレキシティを統合したReasoning-Pruning Perplexity Consistency(RPC)と、低確率推論経路を排除したReasoning Pruningを提案する。
  論文  参考訳（メタデータ） (2025-02-01T18:09:49Z)
• Distributional Shift-Aware Off-Policy Interval Estimation: A Unified Error Quantification Framework [8.572441599469597]
  本研究では、無限水平マルコフ決定過程の文脈における高信頼オフ政治評価について検討する。 目的は、未知の行動ポリシーから事前に収集されたオフラインデータのみを用いて、対象の政策値に対する信頼区間(CI)を確立することである。 提案アルゴリズムは, 非線形関数近似設定においても, サンプル効率, 誤差ローバスト, 既知収束性を示す。
  論文  参考訳（メタデータ） (2023-09-23T06:35:44Z)
• Robustness and Accuracy Could Be Reconcilable by (Proper) Definition [109.62614226793833]
  強靭性と精度のトレードオフは、敵文学において広く研究されている。 局所的不変性の帰納的バイアスを課す不適切に定義された頑健な誤差に由来する可能性がある。 定義上、SCOREは、最悪のケースの不確実性に対処しながら、堅牢性と正確性の間の和解を促進する。
  論文  参考訳（メタデータ） (2022-02-21T10:36:09Z)
• Single upper limb pose estimation method based on improved stacked hourglass network [5.342260499725028]
  一人称ポーズ推定において高精度かつリアルタイムなパフォーマンスを実現することは困難である。 本稿では,エンド・ツー・エンドアプローチに基づく一人称上肢ポーズ推定手法を提案する。
  論文  参考訳（メタデータ） (2020-04-16T04:48:40Z)

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。