論文の概要: F2F-AP: Flow-to-Future Asynchronous Policy for Real-time Dynamic Manipulation
- arxiv url: http://arxiv.org/abs/2604.02408v1
- Date: Thu, 02 Apr 2026 17:57:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-06 17:20:24.149362
- Title: F2F-AP: Flow-to-Future Asynchronous Policy for Real-time Dynamic Manipulation
- Title（参考訳）: F2F-AP:リアルタイム動的操作のためのフロー・ツー・フューチャー非同期ポリシー
- Abstract要約: 非同期推論はロボット操作における主要なパラダイムとして現れている。
本稿では,予測対象の流れを利用して将来の観測を合成する新しい枠組みを提案する。
本手法は複雑な動的操作タスクにおける応答性と成功率を大幅に向上させる。
- 参考スコア（独自算出の注目度）: 62.06267255986041
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Asynchronous inference has emerged as a prevalent paradigm in robotic manipulation, achieving significant progress in ensuring trajectory smoothness and efficiency. However, a systemic challenge remains unresolved, as inherent latency causes generated actions to inevitably lag behind the real-time environment. This issue is particularly exacerbated in dynamic scenarios, where such temporal misalignment severely compromises the policy's ability to interpret and react to rapidly evolving surroundings. In this paper, we propose a novel framework that leverages predicted object flow to synthesize future observations, incorporating a flow-based contrastive learning objective to align the visual feature representations of predicted observations with ground-truth future states. Empowered by this anticipated visual context, our asynchronous policy gains the capacity for proactive planning and motion, enabling it to explicitly compensate for latency and robustly execute manipulation tasks involving actively moving objects. Experimental results demonstrate that our approach significantly enhances responsiveness and success rates in complex dynamic manipulation tasks.
- Abstract（参考訳）: 非同期推論はロボット操作における主要なパラダイムとして現れ、軌道の滑らかさと効率性を確保するために大きな進歩を遂げている。
しかし、本質的なレイテンシは、発生したアクションがリアルタイム環境に必然的に遅れることを引き起こすため、体系的な課題は未解決のままである。
この問題は特に動的シナリオにおいて悪化しており、このような時間的ミスアライメントは、急速に進化する環境に対する政策の解釈と反応の能力を著しく損なう。
本稿では,予測対象の流れを利用して将来の観測を合成する新しいフレームワークを提案する。
この期待された視覚的コンテキストを活用することで、非同期ポリシはプロアクティブな計画と動作の能力を獲得し、遅延を明示的に補償し、アクティブに動くオブジェクトを含む操作タスクを堅牢に実行できます。
実験により,複雑な動的操作タスクの応答性と成功率を大幅に向上することが示された。
関連論文リスト
- FutureRTC: Real-Time Robot Execution with Anticipatory-Conditioned Action Chunking [51.97839311685636]
FutureRTCは、実行時の観察と非同期VLA制御の状態を予測するためのプラグイン・アンド・プレイ適応フレームワークである。
FutureRTCは推論遅延に対する堅牢性を実現し,よりスムーズな軌道,高速な実行,一貫したタスク成功率を実現している。
論文 参考訳（メタデータ） (2026-07-27T05:10:16Z) - GoStop: Reinforcement Learning for Adaptive Temporal Aggregation in Event-Based Feature Tracking [71.9852231453445]
イベントカメラは低レイテンシとモーションロバストな知覚を可能にし、高速かつ非線形な動作下での機能追跡に適している。
既存のイベントベースの機能トラッキング手法は、イベントの蓄積を手作業で調整する、固定されたルールに依存している。
オンラインイベントベースの特徴追跡のための蓄積過程を適応的に制御する強化学習フレームワークを導入する。
論文 参考訳（メタデータ） (2026-07-17T07:18:07Z) - SegDiff: Segmented Trajectory Diffusion for Consistent and Adaptive Robot Manipulation [65.81476183180527]
両パラダイムの長所を統合するクローズドループビズモータポリシであるSegDiffを紹介する。
SegDiffはデモをキーセグメンテーション間で動作セグメントに分解し、現在の状態から次のキーセグメンテーションまでの連続的な軌跡を予測することを学習する。
SegDiffは、さまざまなシミュレートされた実世界のシナリオにおいて、既存のアプローチよりも大きなパフォーマンス向上を示している。
論文 参考訳（メタデータ） (2026-07-13T02:48:03Z) - Learning When to Listen: Gated Affect Fusion for Human Motion Prediction [0.0]
本研究では,感情条件付き予測システムの有用性と時間的制約について検討する。
本稿では,Gated Affect Transformer (GAT)を導入し,モーダル情報の流れを動的に制御する。
以上の結果から, 顔への影響は相補的行動の手がかりとみなす必要があるという実証的証拠が得られた。
論文 参考訳（メタデータ） (2026-07-01T00:47:02Z) - From Imagined Futures to Executable Actions: Mixture of Latent Actions for Robot Manipulation [88.39072412680633]
将来の映像を実行可能な表現に変換する制御指向インタフェースであるMoLAを提案する。
我々は,シミュレーションベンチマークと実世界のロボット操作タスクに対するアプローチを評価した。
論文 参考訳（メタデータ） (2026-05-12T14:15:16Z) - Reactive Motion Generation With Particle-Based Perception in Dynamic Environments [14.960949776319147]
動的および非構造的シナリオにおける反応運動生成は、基本的に静的知覚とシステムダイナミクスの対象となる。
この記事では、モデルベースの観点から、リアクティブ計画とマニピュレータの動的マッピングの密接な関係を明らかにすることに焦点を当てます。
本稿では,ロボット・障害物力学を協調的に伝播する障害物対応MPPI計画法を提案する。
論文 参考訳（メタデータ） (2026-02-18T13:48:54Z) - CoLA-Flow Policy: Temporally Coherent Imitation Learning via Continuous Latent Action Flow Matching for Robotic Manipulation [4.726851899243877]
LG-Flow Policyは、連続的な潜在アクション空間でフローマッチングを実行する軌道レベルの模倣学習フレームワークである。
動作シーケンスを時間的に規則化された潜在軌道に符号化し、明示的な潜在空間の流れを学習することにより、提案手法は低レベル制御ノイズからグローバルな運動構造を分離する。
論文 参考訳（メタデータ） (2026-01-30T15:36:43Z) - Real-Time Robot Execution with Masked Action Chunking [38.37108371991901]
ロボットのようなサイバー物理システムにはリアルタイム実行が不可欠である。
近年,リアルタイムロボット操作のためのシステムレベルのパラダイムとして,非同期推論が登場している。
本稿では,マスクされたアクションチャンキングによって事前訓練されたポリシーの修正を学習するREMACを提案する。
論文 参考訳（メタデータ） (2026-01-27T23:48:32Z) - ImplicitRDP: An End-to-End Visual-Force Diffusion Policy with Structural Slow-Fast Learning [52.86018040861575]
本稿では,単一のネットワークに視覚計画と反応力制御を統合した,一貫したエンドツーエンドの視覚力拡散政策を提案する。
本稿では,非同期な視覚と力のトークンを同時に処理するための因果的注意力を利用した構造的スローフォールストラーニングを紹介する。
コンタクトリッチタスクの実験では、ImplicitRDPは視覚のみのベースラインと階層的なベースラインの両方で著しく優れていた。
論文 参考訳（メタデータ） (2025-12-11T18:59:46Z) - Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。
シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。
マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
論文 参考訳（メタデータ） (2025-10-09T04:48:49Z) - Motion-Scenario Decoupling for Rat-Aware Video Position Prediction:
Strategy and Benchmark [49.58762201363483]
本研究では,個人や環境の影響要因を考慮し,生物ロボットの動き予測データセットであるRatPoseを紹介する。
本稿では,シナリオ指向とモーション指向を効果的に分離するDual-stream Motion-Scenario Decouplingフレームワークを提案する。
難易度が異なるタスクに対して,提案したtextitDMSD フレームワークの大幅な性能向上を示す。
論文 参考訳（メタデータ） (2023-05-17T14:14:31Z) - Motion Deblurring with Real Events [50.441934496692376]
本稿では,イベントベースの動作を自己教師型で記述するエンド・ツー・エンドの学習フレームワークを提案する。
実世界のイベントは、データ不整合によるパフォーマンス劣化を軽減するために利用される。
論文 参考訳（メタデータ） (2021-09-28T13:11:44Z)
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。