論文の概要: ANCHOR: A Physically Grounded Closed-Loop Framework for Robust Home-Service Mobile Manipulation
- arxiv url: http://arxiv.org/abs/2604.25323v1
- Date: Tue, 28 Apr 2026 07:37:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-29 16:49:17.761917
- Title: ANCHOR: A Physically Grounded Closed-Loop Framework for Robust Home-Service Mobile Manipulation
- Title（参考訳）: ANCHOR:ロバストなホームサービスモバイル操作のための物理接地型クローズドループフレームワーク
- Authors: Jinhao Jiang, Shengyu Fang, Sibo Zuo, Yujie Tang, Yirui Li,
- Abstract要約: 本稿では,シンボル推論と物理状態の検証を行うクローズドループフレームワークANCHORを提案する。
ANCHORはタスクの成功率を53.3%から71.7%に改善し、摂動下での回復率は71.4%に達する。
- 参考スコア（独自算出の注目度）: 10.278758849939917
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advances in open-vocabulary mobile manipulation have brought robots into real domestic environments. In such settings, reliable long-horizon execution under open-set object references and frequent disturbances becomes essential. However, many failures persist. These are not caused by semantic misunderstanding but by inconsistencies between symbolic plans and the evolving physical world, manifested as three recurring limitations: (i) existing systems often rely on pre-scanned semantic maps that become inconsistent after scene changes and disturbances; (ii) they select navigation endpoints without considering downstream manipulation feasibility, causing the "arrived but inoperable" problem; and (iii) they handle anomalies through undifferentiated global replanning, which often fails to contain local errors. To address this execution inconsistency, we present ANCHOR, a physically grounded closed-loop framework that aligns symbolic reasoning with verifiable physical state during execution. ANCHOR integrates three mechanisms: (i) physically anchored task planning, which binds symbolic predicates to observable geometric anchors and re-validates them after each action; (ii) operability-aware base alignment, which ensures that navigation endpoints satisfy kinematic reachability and local collision feasibility; and (iii) minimum-responsible-layer hierarchical recovery, which localizes failures across perception, base-arm coordination, and execution layers to prevent cascading retries. Across 60 real-robot trials in previously unseen environments, ANCHOR improves task success from 53.3% to 71.7% and achieves a 71.4% recovery rate under perturbations, demonstrating that explicit physical grounding and structured failure containment are critical for robust mobile manipulation. Our project page is available at https://anchor9178.github.io/ANCHOR/ .
- Abstract（参考訳）: オープン語彙移動操作の最近の進歩は、実際の家庭環境にロボットをもたらした。
このような設定では、オープンセットオブジェクト参照と頻繁な乱れの下での信頼性の高いロングホライゾン実行が不可欠である。
しかし、多くの失敗は続いた。
これらは意味的誤解ではなく、象徴的計画と進化する物理世界との矛盾によって引き起こされるものであり、三つの繰り返しの限界として現れている。
(i)既存のシステムは、シーンの変更や乱れの後に不整合となる事前スキャンされた意味地図に依存することが多い。
(二)下流操作の実現性を考慮せずにナビゲーションエンドポイントを選択すること。
第三に、未分化のグローバルな再計画を通じて異常を処理し、しばしば局所的なエラーを含まない。
この実行不整合に対処するために,シンボル推論と実行中の検証可能な物理状態とを整合する物理基底閉ループフレームワークであるANCHORを提案する。
ANCHORは3つのメカニズムを統合する。
i) 記号述語を観測可能な幾何アンカーに結合し,各動作後に再検証する,物理的に固定されたタスク計画
(二 航法エンドポイントが運動到達性と局所衝突の実現性を満たすことを保証する操作性対応ベースアライメント
3) 最小責任層階層リカバリは, 認識, ベースアーム調整, 実行層にまたがる障害を局所化し, カスケードリトライを防止する。
未確認環境における60以上の実ロボット試験において、ANCHORはタスク成功率を53.3%から71.7%に改善し、摂動下で71.4%の回復率を達成した。
プロジェクトページはhttps://anchor9178.github.io/ANCHOR/ で公開されている。
関連論文リスト
- Referring-Aware Visuomotor Policy Learning for Closed-Loop Manipulation [91.20850436220267]
Referring-Aware Visuomotor Policy(ReV)について紹介する。
ReVは、人間または高レベルの推論プランナーによって提供されるスパース参照ポイントを組み込む。
これは、専門家のデモンストレーションにターゲットの摂動を適用することでのみ訓練される。
論文 参考訳（メタデータ） (2026-04-07T07:41:11Z) - RoboStream: Weaving Spatio-Temporal Reasoning with Memory in Vision-Language Models for Robotics [25.944338247511215]
VLMベースのプランナーは、各ステップを観察とアクションのマッピングとして扱い、各決定点ごとに生のピクセルからシーンの幾何学を推論する。
SStream-Temporal Fusion Tokens (TF-Tokens) を提案する。
この設計により、プランナーは因果連鎖を追跡でき、追加の訓練や微調整をすることなく、隠蔽下でオブジェクトの永続性を維持することができる。
論文 参考訳（メタデータ） (2026-03-13T12:34:26Z) - HaltNav: Reactive Visual Halting over Lightweight Topological Priors for Robust Vision-Language Navigation [1.774434289475737]
VLN(Vision-and-Language Navigation)は、厳格なステップバイステップの指示から、オープンな語彙、ゴール指向の自律性へとシフトしている。
本稿では,OsmAGのロバストなグローバルプランニングと,VLNの局所探索と命令グラウンド機能を組み合わせた階層型ナビゲーションフレームワークHaltNavを提案する。
論文 参考訳（メタデータ） (2026-03-13T06:22:35Z) - RADAR: Closed-Loop Robotic Data Generation via Semantic Planning and Autonomous Causal Environment Reset [48.645870795753105]
ロボットのためのロバスト自動データ取得(RADAR)について紹介する。
RADARは完全に自律的でクローズドループのデータ生成エンジンで、収集サイクルから人間の介入を完全に取り除きます。
シミュレーションでは、複雑な長期タスクにおいて、最大90%の成功率を達成する。
論文 参考訳（メタデータ） (2026-03-12T11:18:52Z) - UniManip: General-Purpose Zero-Shot Robotic Manipulation with Agentic Operational Graph [23.060488218180936]
We present UniManip, a framework based on a Bi-level Agentic Operational Graph (AOG)
タスクオーケストレーションのための高レベルのエージェント層と、動的状態表現のための低レベルのScene Layerを結合することにより、システムは、抽象的な計画と幾何学的制約を継続的に整合させる。
実験では、未確認のオブジェクトやタスクに対するシステムの堅牢なゼロショット能力を評価し、最先端のVLAや階層的なベースラインと比較して22.5%と25.0%の成功率を示した。
論文 参考訳（メタデータ） (2026-02-13T16:47:26Z) - V-CAGE: Context-Aware Generation and Verification for Scalable Long-Horizon Embodied Tasks [6.820118518027692]
V-CAGEは、大規模なセマンティックアライメントデータセットを生成するクローズドループフレームワークである。
本研究では,シーン合成における幾何学的整合性を実現する文脈認識型インスタンス化機構を提案する。
また、階層的な命令分解モジュールを用いて、抽象意図と低レベル制御のギャップを埋める。
論文 参考訳（メタデータ） (2026-01-21T16:41:51Z) - Why Does the LLM Stop Computing: An Empirical Study of User-Reported Failures in Open-Source LLMs [50.075587392477935]
オープンソースのDeepSeek、Llama、Qwenのエコシステムから、705の現実世界の失敗に関する大規模な実証的研究を行った。
ホワイトボックスオーケストレーションは、モデルアルゴリズムの欠陥からデプロイメントスタックのシステム的脆弱性へと、信頼性のボトルネックを移動させます。
論文 参考訳（メタデータ） (2026-01-20T06:42:56Z) - Scene Graph-Guided Proactive Replanning for Failure-Resilient Embodied Agent [9.370683025542686]
本稿では,サブタスク境界における障害の検出と修正を行う,アクティブなリプランニングフレームワークを提案する。
AI2-THORシミュレータの実験では,実行障害発生前の意味的および空間的ミスマッチを検出する。
論文 参考訳（メタデータ） (2025-08-15T07:48:51Z) - Code-as-Monitor: Constraint-aware Visual Programming for Reactive and Proactive Robotic Failure Detection [56.66677293607114]
オープンセットのリアクティブかつアクティブな障害検出のためのCode-as-Monitor(CaM)を提案する。
モニタリングの精度と効率を高めるために,制約関連エンティティを抽象化する制約要素を導入する。
実験により、CaMは28.7%高い成功率を達成し、厳しい乱れの下で実行時間を31.8%短縮することが示された。
論文 参考訳（メタデータ） (2024-12-05T18:58:27Z)
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。