論文の概要: Scale-Invariant Sampling in Multi-Arm Bandit Motion Planning for Object Extraction

• arxiv url: http://arxiv.org/abs/2604.14026v1
• Date: Wed, 15 Apr 2026 16:07:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.626312
• Title: Scale-Invariant Sampling in Multi-Arm Bandit Motion Planning for Object Extraction
• Title（参考訳）: 物体抽出のためのマルチアーム帯域移動計画におけるスケール不変サンプリング
• Authors: Servet B. Bayraktar, Andreas Orthey, Marc Toussaint,
• Abstract要約: 本稿では,Grow-Shrinkサーチを用いて構成空間を探索し,有用な高エントロピーサンプリング尺度を提案する。 有用なサンプリングスケールが見つかると、本フレームワークは、主成分分析(PCA)を用いて、オブジェクト抽出に有用な方向を見つけることによって、このスケールを利用する。 実験の結果,8シナリオ中7シナリオにおいて,スケール不変サンプリングは1桁の精度で成功率を向上させることがわかった。
• 参考スコア（独自算出の注目度）: 12.091531312863017
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Object extraction tasks often occur in disassembly problems, where bolts, screws, or pins have to be removed from tight, narrow spaces. In such problems, the distance to the environment is often on the millimeter scale. Sampling-based planners can solve such problems and provide completeness guarantees. However, sampling becomes a bottleneck, since almost all motions will result in collisions with the environment. To overcome this problem, we propose a novel scale-invariant sampling strategy which explores the configuration space using a grow-shrink search to find useful, high-entropy sampling scales. Once a useful sampling scale has been found, our framework exploits this scale by using a principal components analysis (PCA) to find useful directions for object extraction. We embed this sampler into a multi-arm bandit rapidly-exploring random tree (MAB-RRT) planner and test it on eight challenging 3D object extraction scenarios, involving bolts, gears, rods, pins, and sockets. To evaluate our framework, we compare it with classical sampling strategies like uniform sampling, obstacle-based sampling, and narrow-passage sampling, and with modern strategies like mate vectors, physics-based planning, and disassembly breadth first search. Our experiments show that scale-invariant sampling improves success rate by one order of magnitude on 7 out of 8 scenarios. This demonstrates that scale-invariant sampling is an important concept for general purpose object extraction in disassembly tasks.
• Abstract（参考訳）: オブジェクト抽出タスクは、ボルト、スクリュー、ピンを狭い狭い空間から取り除かなければならない、分解的な問題でしばしば発生する。 このような問題では、環境との距離はしばしばミリスケールである。 サンプリングベースのプランナーはそのような問題を解決することができ、完全性を保証する。 しかし、ほとんどすべての動きが環境と衝突するので、サンプリングはボトルネックとなる。 この問題を解決するために,Grow-Shrinkサーチを用いて構成空間を探索し,有用な高エントロピーサンプリング尺度を求める,新しいスケール不変サンプリング戦略を提案する。 有用なサンプリングスケールが見つかると、本フレームワークは、主成分分析(PCA)を用いて、オブジェクト抽出に有用な方向を見つけることで、このスケールを利用する。 このサンプルをマルチアームのランダムツリー(MAB-RRT)プランナーに埋め込み、ボルト、歯車、棒、ピン、ソケットを含む8つの挑戦的な3Dオブジェクト抽出シナリオでテストする。 本フレームワークの評価には,一様サンプリング,障害物に基づくサンプリング,狭帯域サンプリングなどの古典的サンプリング手法や,メイトベクトル,物理に基づく計画,分割された広帯域探索といった現代的な手法との比較を行った。 実験の結果,8シナリオ中7シナリオにおいて,スケール不変サンプリングは1桁の精度で成功率を向上させることがわかった。 このことは、スケール不変サンプリングが、分解タスクにおける汎用オブジェクト抽出の重要な概念であることを示している。

関連論文リスト

• Evaluating Guiding Spaces for Motion Planning [2.384084215091134]
  我々は、同じ枠組みの下で、見かけ上の異なる多くの先行研究をカプセル化するエンフモーション計画誘導空間を定義する。 また,得られたバイアスサンプリングの品質に焦点をあてた案内計画を評価するための情報理論手法を提案する。
  論文  参考訳（メタデータ） (2022-10-16T21:17:51Z)
• BIMS-PU: Bi-Directional and Multi-Scale Point Cloud Upsampling [60.257912103351394]
  我々はBIMS-PUと呼ばれる新しいポイント・クラウド・アップサンプリング・パイプラインを開発した。 対象のサンプリング因子を小さな因子に分解することにより,アップ/ダウンサンプリング手順をいくつかのアップ/ダウンサンプリングサブステップに分解する。 提案手法は最先端手法よりも優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-25T13:13:37Z)
• Meta-Sampler: Almost-Universal yet Task-Oriented Sampling for Point Clouds [46.33828400918886]
  複数のタスクにまたがって、ほぼ普遍的なメタサンプルをトレーニングする方法を示します。 このメタサンプルは、異なるデータセットやネットワーク、あるいは異なるタスクに適用した場合、迅速に微調整できる。
  論文  参考訳（メタデータ） (2022-03-30T02:21:34Z)
• Beyond Farthest Point Sampling in Point-Wise Analysis [52.218037492342546]
  本稿では,ポイントワイズ分析タスクのための新しいデータ駆動型サンプル学習手法を提案する。 我々はサンプルと下流のアプリケーションを共同で学習する。 実験により, 従来のベースライン法に比べて, サンプルとタスクの同時学習が顕著に改善することが示された。
  論文  参考訳（メタデータ） (2021-07-09T08:08:44Z)
• Multi-Scale Positive Sample Refinement for Few-Shot Object Detection [61.60255654558682]
  Few-shot Object Detection (FSOD) は、ディテクターがトレーニングインスタンスをほとんど持たない未確認のクラスに適応するのに役立つ。 FSODにおけるオブジェクトスケールを拡張化するためのMPSR(Multi-scale Positive Sample Refinement)アプローチを提案する。 MPSRは、オブジェクトピラミッドとして多スケールの正のサンプルを生成し、様々なスケールで予測を洗練させる。
  論文  参考訳（メタデータ） (2020-07-18T09:48:29Z)
• A Provably Efficient Sample Collection Strategy for Reinforcement Learning [123.69175280309226]
  オンライン強化学習(RL)における課題の1つは、エージェントがその振る舞いを最適化するために、環境の探索とサンプルの活用をトレードオフする必要があることである。 1) 生成モデル(環境のスパースシミュレータなど)にアクセス可能な状態のサンプル数を規定する「対象別」アルゴリズム,2) 所定のサンプルをできるだけ早く生成する「対象別」サンプル収集。
  論文  参考訳（メタデータ） (2020-07-13T15:17:35Z)
• Learning a Unified Sample Weighting Network for Object Detection [113.98404690619982]
  地域サンプリングや重み付けは、現代の地域ベースの物体検出器の成功に極めて重要である。 サンプル重み付けはデータ依存でタスク依存であるべきだと我々は主張する。 サンプルのタスク重みを予測するための統一的なサンプル重み付けネットワークを提案する。
  論文  参考訳（メタデータ） (2020-06-11T16:19:16Z)

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。