論文の概要: SigLoMa: Learning Open-World Quadrupedal Loco-Manipulation from Ego-Centric Vision

• arxiv url: http://arxiv.org/abs/2605.03846v1
• Date: Tue, 05 May 2026 15:13:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.994108
• Title: SigLoMa: Learning Open-World Quadrupedal Loco-Manipulation from Ego-Centric Vision
• Title（参考訳）: SigLoMa:ego-Centric Visionからオープンワールド四足歩行操作を学ぶ
• Authors: Shiyi Chen, Haiyi Liu, Mingye Yang, Jiaqi Zhang, Debing Zhang,
• Abstract要約: 我々は、完全なego中心の視覚ベースのピック・アンド・プレイス・フレームワークであるSigLoMaを紹介した。 SigLoMaのコアとなるのは、外部受容のための軽量な幾何学的表現であるSigma Pointsの導入である。 学習面では,Hint Poses氏が指導したActive Smpling Curriculumを用いて,サンプルの非効率性を緩和する。
• 参考スコア（独自算出の注目度）: 14.955020767631275
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Designing an open-world quadrupedal loco-manipulation system is highly challenging. Traditional reinforcement learning frameworks utilizing exteroception often suffer from extreme sample inefficiency and massive sim-to-real gaps. Furthermore, the inherent latency of visual tracking fundamentally conflicts with the high-frequency demands of precise floating-base control. Consequently, existing systems lean heavily on expensive external motion capture and off-board computation. To eliminate these dependencies, we present SigLoMa, a fully onboard, ego-centric vision-based pick-and-place framework. At the core of SigLoMa is the introduction of Sigma Points, a lightweight geometric representation for exteroception that guarantees high scalability and native sim-to-real alignment. To bridge the frequency divide between slow perception and fast control, we design an ego-centric Kalman Filter to provide robust, high-rate state estimation. On the learning front, we alleviate sample inefficiency via an Active Sampling Curriculum guided by Hint Poses, and tackle the robot's structural visual blind spots using temporal encoding coupled with simulated random-walk drift. Real-world experiments validate that, relying solely on a 5Hz (200 ms latency) open-vocabulary detector, SigLoMa successfully executes dynamic loco-manipulation across multiple tasks, achieving performance comparable to expert human teleoperation.
• Abstract（参考訳）: オープンワールドの四足歩行操作システムの設計は非常に困難である。 外部受容を利用した伝統的な強化学習フレームワークは、極端なサンプルの非効率性と大規模なsim-to-realギャップに悩まされることが多い。 さらに、視覚追跡の本質的にの遅延は、正確な浮動小数点制御の高周波要求と根本的に矛盾する。 その結果、既存のシステムは高価な外部モーションキャプチャーとオフボード計算に大きく依存している。 これらの依存関係を排除するために、完全にオンボードでエゴ中心の視覚ベースのピック・アンド・プレイス・フレームワークであるSigLoMaを紹介します。 SigLoMaのコアとなるのはSigma Pointsの導入である。これは、高度なスケーラビリティとネイティブなsim-to-realアライメントを保証する、エクステロセプションのための軽量な幾何学的表現である。 遅延知覚と高速制御の周波数分割を橋渡しするために,強靭かつ高速な状態推定を実現するために,エゴ中心のカルマンフィルタを設計する。 学習面では,Hint Poses氏が指導するActive Smpling Curriculumを用いて,サンプルの非効率性を緩和し,時間的エンコーディングとランダムウォークドリフトを併用したロボットの構造的視覚盲点に対処する。 実世界での実験では、SigLoMaは5Hz(200msレイテンシ)のオープンボキャブラリ検出器のみに依存して、複数のタスクにわたる動的ロコ操作を成功させ、熟練した人間の遠隔操作に匹敵する性能を達成する。

関連論文リスト

• CLASP: Closed-loop Asynchronous Spatial Perception for Open-vocabulary Desktop Object Grasping [11.536272883557041]
  本稿では,マルチモーダル認識,論理的推論,状態反射フィードバックを統合した非同期クローズドループフレームワークを提案する。 提案手法は多種多様な物体をまたいだ顕著な一般化を示し, sim-to-realのギャップを埋め, 例外的な堅牢性を提供する。
  論文  参考訳（メタデータ） (2026-04-13T11:22:37Z)
• Agile-VLA: Few-Shot Industrial Pose Rectification via Implicit Affordance Anchoring [8.325759657274602]
  本稿では,資源制約のあるエッジプラットフォーム上での高遅延意味推論と高レイテンシ意味推論の基本的な対立について述べる。 NVIDIA Agile-AVLAアーキテクチャは、5ショットのデモだけで複雑な不規則な操作タスクの階層的なコア修正を実現する。
  論文  参考訳（メタデータ） (2026-03-24T07:48:08Z)
• Hierarchical Granularity Alignment and State Space Modeling for Robust Multimodal AU Detection in the Wild [12.893641381621459]
  階層的粒度アライメントと状態空間モデルによって駆動される新しいマルチモーダルフレームワークを提案する。 従来の時間畳み込みネットワークの受容的フィールド制限を、ビジョン・マンバアーキテクチャを導入して克服する。 このアプローチにより、O(N)線形複雑性を伴う時間的モデリングが可能となり、性能劣化を伴わずに超長距離力学を効果的に捉えることができる。
  論文  参考訳（メタデータ） (2026-03-11T21:05:59Z)
• Real-Time Glottis Detection Framework via Spatial-decoupled Feature Learning for Nasal Transnasal Intubation [13.846515413602722]
  組込みデバイスとエッジデバイスのための軽量かつ効率的なグロッティ検出フレームワークであるMobile GlottisNetを提案する。 このモデルには構造的認識と空間的アライメント機構が含まれており、複雑な解剖学的および視覚的条件下でのロバストな声門局在を可能にする。 実験の結果,PIDデータセットと臨床データセットの両方で5MB程度の大きさのモデルでは,デバイス上で62FPS以上,エッジプラットフォーム上で33FPS以上の推論速度が得られた。
  論文  参考訳（メタデータ） (2026-03-08T13:36:18Z)
• ULTRA: Unified Multimodal Control for Autonomous Humanoid Whole-Body Loco-Manipulation [55.467742403416175]
  本稿では,大規模モーションキャプチャをヒューマノイドに変換する物理駆動型ニューラルネットワークを提案する。 我々は高密度参照とスパースタスク仕様の両方をサポートする統合マルチモーダルコントローラを学習する。 その結果,ULTRAは自我中心の知覚から,自律的,目標条件付き全体ロコ操作に一般化することが示された。
  論文  参考訳（メタデータ） (2026-03-03T18:59:29Z)
• 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)
• Efficient High-Resolution Visual Representation Learning with State Space Model for Human Pose Estimation [60.80423207808076]
  高解像度の視覚表現を維持しながら長距離依存関係をキャプチャすることは、人間のポーズ推定のような密集した予測タスクに不可欠である。 マルチスケールの畳み込み操作で視覚状態空間モデルを拡張する動的ビジュアル状態空間(DVSS)ブロックを提案する。 HRVMambaは効率的な高分解能表現学習のための新しいモデルである。
  論文  参考訳（メタデータ） (2024-10-04T06:19:29Z)
• First Steps: Latent-Space Control with Semantic Constraints for Quadruped Locomotion [73.37945453998134]
  従来の四重化制御のアプローチでは、単純化された手作りのモデルが採用されている。 これにより、有効な運動範囲が縮小されているため、ロボットの能力が大幅に低下する。 この研究において、これらの課題は、構造化潜在空間における最適化として四重化制御をフレーミングすることによって解決される。 深い生成モデルは、実現可能な関節構成の統計的表現を捉え、一方、複雑な動的および終端的制約は高レベルな意味的指標によって表現される。 実世界とシミュレーションの両方で最適化された移動軌跡の実現可能性を検証する。
  論文  参考訳（メタデータ） (2020-07-03T07:04:18Z)

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。