論文の概要: Synergizing Efficiency and Reliability for Continuous Mobile Manipulation
- arxiv url: http://arxiv.org/abs/2604.05430v1
- Date: Tue, 07 Apr 2026 04:55:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-08 17:42:09.631394
- Title: Synergizing Efficiency and Reliability for Continuous Mobile Manipulation
- Title（参考訳）: 連続移動操作における効率と信頼性の相乗化
- Authors: Chengkai Wu, Ruilin Wang, Yixin Zeng, Jiayuan Wang, Mingjie Zhang, Guiyong Zheng, Qun Niu, Juepeng Zheng, Jun Ma, Boyu Zhou,
- Abstract要約: 人間は予測計画と即時フィードバックを融合し、停止することなく連続した移動操作タスクを実行する。
本稿では,モバイル操作の効率化と信頼性を両立させる統合フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 14.763845074065019
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Humans seamlessly fuse anticipatory planning with immediate feedback to perform successive mobile manipulation tasks without stopping, achieving both high efficiency and reliability. Replicating this fluid and reliable behavior in robots remains fundamentally challenging, not only due to conflicts between long-horizon planning and real-time reactivity, but also because excessively pursuing efficiency undermines reliability in uncertain environments: it impairs stable perception and the potential for compensation, while also increasing the risk of unintended contact. In this work, we present a unified framework that synergizes efficiency and reliability for continuous mobile manipulation. It features a reliability-aware trajectory planner that embeds essential elements for reliable execution into spatiotemporal optimization, generating efficient and reliability-promising global trajectories. It is coupled with a phase-dependent switching controller that seamlessly transitions between global trajectory tracking for efficiency and task-error compensation for reliability. We also investigate a hierarchical initialization that facilitates online replanning despite the complexity of long-horizon planning problems. Real-world evaluations demonstrate that our approach enables efficient and reliable completion of successive tasks under uncertainty (e.g., dynamic disturbances, perception and control errors). Moreover, the framework generalizes to tasks with diverse end-effector constraints. Compared with state-of-the-art baselines, our method consistently achieves the highest efficiency while improving the task success rate by 26.67\%--81.67\%. Comprehensive ablation studies further validate the contribution of each component. The source code will be released.
- Abstract（参考訳）: 人間は予測計画と即時フィードバックをシームレスに融合し、停止することなく連続する移動操作タスクを実行し、高い効率と信頼性の両方を達成する。
ロボットにおけるこの流動性と信頼性の高い動作の再現は、長期計画とリアルタイムの反応性の対立によるだけでなく、過度に効率を追求することは、不確実な環境における信頼性を損なうため、安定した認識と補償の可能性を損なうと同時に、意図しない接触のリスクも増大させるため、基本的には困難である。
本研究では,連続移動操作における効率と信頼性を相乗化するための統一的なフレームワークを提案する。
信頼性を意識したトラジェクトリプランナを備え、信頼性の高い実行に必要な要素を時空間最適化に組み込んで、効率的で信頼性の高いグローバルなトラジェクトリを生成する。
位相依存スイッチングコントローラと組み合わせて、グローバルな軌道追跡と信頼性のタスクエラー補償をシームレスに切り替える。
また,長期計画問題の複雑化にもかかわらず,オンライン再計画を容易にする階層的初期化についても検討する。
実世界の評価は,本手法が不確実性(動的乱れ,知覚,制御誤差など)下での逐次タスクの効率的かつ信頼性の高い完了を可能にすることを示す。
さらに、フレームワークは様々なエンドエフェクタ制約のあるタスクに一般化する。
現状のベースラインと比較すると,タスク成功率を26.67\%--81.67\%改善しつつ,高い効率を達成することができる。
包括的アブレーション研究は、各成分の寄与をさらに検証する。
ソースコードはリリースされます。
関連論文リスト
- F2F-AP: Flow-to-Future Asynchronous Policy for Real-time Dynamic Manipulation [62.06267255986041]
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。
論文 参考訳（メタデータ） (2026-04-02T17:57:15Z) - DeFRiS: Silo-Cooperative IoT Applications Scheduling via Decentralized Federated Reinforcement Learning [62.347535250646196]
本稿では、ロバストでスケーラブルなシロコラボ型IoTアプリケーションスケジューリングのための分散フェデレーション強化学習フレームワークであるDeFRiSを提案する。
DeFRiSは、(i)異種サイロ間のシームレスな知識伝達を可能にするための候補資源スコアを利用したアクション空間非依存ポリシー、(ii)汎用アドバンテージ推定とクリッピングされたポリシー更新を組み合わせたサイロ最適化ローカル学習メカニズム、(iii)類似性認識の知識伝達と異常検出に勾配指紋を利用するDual-Track Non-IIDロバストな分散集約プロトコル、の3つのイノベーションを統合する。
論文 参考訳（メタデータ） (2026-03-16T02:02:38Z) - Force-Aware Residual DAgger via Trajectory Editing for Precision Insertion with Impedance Control [7.670131142516991]
TER-DAggerは、コンタクトリッチな操作のための力覚的模倣学習フレームワークである。
実験により、TER-DAggerは行動クローニング、ヒト誘導補正、リトレーニング、微調整ベースラインと比較して平均成功率を37%以上改善することが示された。
論文 参考訳（メタデータ） (2026-03-04T13:18:05Z) - BarrierSteer: LLM Safety via Learning Barrier Steering [83.12893815611052]
BarrierSteerは、学習した非線形安全性制約を直接モデルの潜在表現空間に埋め込むことで、安全性を形式化する新しいフレームワークである。
BarrierSteerは、敵の成功率を大幅に低下させ、安全でない世代を減少させ、既存の手法より優れていることを示す。
論文 参考訳（メタデータ） (2026-02-23T18:19:46Z) - SURE: Safe Uncertainty-Aware Robot-Environment Interaction using Trajectory Optimization [8.712271005822256]
SUREは、接触タイミングの不確実性を明確に説明する堅牢な軌道最適化フレームワークである。
影響時間不明の2つの代表的な課題についてSUREを評価した。
SUREは従来の定式化よりも頑健性を大幅に向上させる。
論文 参考訳（メタデータ） (2026-02-06T16:50:59Z) - daVinci-Agency: Unlocking Long-Horizon Agency Data-Efficiently [35.39097522391409]
大規模言語モデル(LLM)は短期的なタスクで優れており、それらを長期のエージェント合成に拡張することは依然として困難である。
本稿では,PRチェーンから構造化監視を体系的にマイニングするdaVinci-Agencyを提案する。
DaVinci-AgencyのPR基底構造は、本質的には、永続的なゴールサイクルの振る舞いを教えるのに不可欠な因果依存性と反復的な洗練を保っている。
論文 参考訳（メタデータ） (2026-02-02T13:23:39Z) - Dynamic High-Order Control Barrier Functions with Diffuser for Safety-Critical Trajectory Planning at Signal-Free Intersections [9.041849642602626]
信号のない交差点を通る安全かつ効率的な軌道を計画することは、自動運転車にとって重要な課題である。
本研究では,動的高次制御バリア関数(DHOCBF)と拡散モデル(DSC-Diffuser)を統合する安全クリティカルプランニング手法を提案する。
動的環境における運転安全をより確実にするために,提案したDHOCBFフレームワークは周囲の車両の動きを考慮した動的調整を行う。
論文 参考訳（メタデータ） (2024-11-29T11:57:00Z) - PixMix: Dreamlike Pictures Comprehensively Improve Safety Measures [65.36234499099294]
フラクタルなどの画像の自然な構造的複雑さを利用した新しいデータ拡張戦略を提案する。
この課題に対処するために、フラクタルなどの画像の自然な構造的複雑さを利用した新しいデータ拡張戦略を設計する。
論文 参考訳（メタデータ） (2021-12-09T18:59:31Z) - Adversarial Robustness under Long-Tailed Distribution [93.50792075460336]
敵対的ロバスト性はディープネットワークの脆弱性と本質的特徴を明らかにすることで近年広く研究されている。
本研究では,長尾分布下における敵対的脆弱性と防御について検討する。
我々は、スケール不変とデータ再分散という2つの専用モジュールからなるクリーンで効果的なフレームワークであるRoBalを提案する。
論文 参考訳（メタデータ） (2021-04-06T17:53:08Z)
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。