論文の概要: Co-GLANCE: Uncertainty-Aware Active Perception for Heterogeneous Robot Teaming

• arxiv url: http://arxiv.org/abs/2606.09919v1
• Date: Sun, 07 Jun 2026 00:02:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.046351
• Title: Co-GLANCE: Uncertainty-Aware Active Perception for Heterogeneous Robot Teaming
• Title（参考訳）: Co-GLANCE:不確かさを意識したロボットチームのためのアクティブ・パーセプション
• Authors: Michal P. Podolinsky, Neel P. Bhatt, Pranay Samineni, Rohan Siva, Christian Ellis, Ufuk Topcu,
• Abstract要約: ロボットチームにおける不確実性解消のためのリアルタイムの車載認識と意思決定システムであるCo-GLANCEを紹介する。 知覚の不確実性を定量化するために、Co-GLANCEは共形予測と選択的棄権とを組み合わせて統計的に有効なカバレッジ保証を提供する。 また、将来の研究のための地上データセットも公開します。
• 参考スコア（独自算出の注目度）: 17.173722576361673
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Perceptual uncertainty is a central challenge for heterogeneous robot teams operating in unstructured outdoor environments, where no single viewpoint affords reliable scene understanding. Perceptual uncertainty, arising from sources such as occlusions, manifests differently across robot viewpoints depending on scene structure. Detecting and resolving sources of perceptual uncertainty requires both scene-based contextual reasoning and capability-aware robot allocation. While vision-language models provide strong semantic priors for both, they are computationally prohibitive for onboard inference and lack calibrated uncertainty quantification. We introduce Co-GLANCE, a real-time onboard perception and decision-making system for uncertainty resolution in heterogeneous robot teams. Co-GLANCE distills the semantic reasoning capabilities of a vision-language model into an end-to-end model for occlusion segmentation and robot allocation, eliminating the need for cloud-based inference. To quantify perceptual uncertainty, Co-GLANCE combines conformal prediction with selective abstention to provide statistically valid coverage guarantees for segmentation, robot allocation, and detection outputs. These calibrated uncertainty estimates directly trigger active perception, dispatching the most appropriate robot to acquire informative viewpoints and resolve uncertainty. Across real-world scenarios, Co-GLANCE outperforms cloud-based vision-language model baselines in occlusion segmentation and robot allocation accuracy by 25% and 36%, respectively, while reducing per-frame inference latency 350x. We also release an air-ground dataset for future research. Code, videos, and dataset available at https://co-glance.github.io/ .
• Abstract（参考訳）: 知覚の不確実性は、不均一な屋外環境で作業する異種ロボットチームにとって中心的な課題である。 隠蔽などの源泉から生じる知覚の不確実性は、シーン構造によってロボットの視点によって異なる。 知覚の不確実性の源の検出と解決には、シーンベースのコンテキスト推論と能力を考慮したロボットアロケーションの両方が必要である。 視覚言語モデルはどちらのモデルにも強力なセマンティック先行性を提供するが、それらはオンボード推論では計算的に禁止され、キャリブレーションされた不確実性定量化が欠如している。 異種ロボットチームにおける不確実性解消のためのリアルタイムオンボード認識および意思決定システムであるCo-GLANCEを紹介する。 Co-GLANCEは、視覚言語モデルのセグメンテーションとロボットアロケーションのためのエンドツーエンドモデルに蒸留し、クラウドベースの推論の必要性を排除する。 知覚の不確実性を定量化するため、Co-GLANCEはコンフォメーション予測と選択的棄権とを組み合わせて、セグメンテーション、ロボットアロケーション、検出出力の統計的に有効なカバレッジ保証を提供する。 これらの校正された不確実性推定は、アクティブな知覚を直接引き起こし、情報的視点を取得し、不確実性を解決するために最も適切なロボットを派遣する。 実世界のシナリオ全体では、Co-GLANCEはクラウドベースのビジョン言語モデルベースラインを、排他的セグメンテーション(occlusion segmentation)とロボットアロケーションの精度で25%と36%上回り、フレーム単位の推論レイテンシ350倍の削減を実現している。 また、将来の研究のための地上データセットも公開します。 コード、ビデオ、データセットはhttps://co-glance.github.io/で公開されている。

関連論文リスト

• SpecSteer: Synergizing Local Context and Global Reasoning for Efficient Personalized Generation [79.75755802397312]
  SpecSteerは非対称な協調推論フレームワークで、デバイス上のプライベートコンテキストとクラウドスケールの推論を相乗化する。 実験により、SpecSteerは推論のギャップを埋め、パーソナライズされた生成性能を向上することを示した。
  論文  参考訳（メタデータ） (2026-03-17T07:51:29Z)
• Gaussian Mixture-Based Inverse Perception Contract for Uncertainty-Aware Robot Navigation [14.159772216001954]
  逆知覚契約(IPC)は、信頼度の高い基底真理を含む集合に推定値をマッピングすることでそのような接続を提供する。 本稿では,ガウス混合に基づく逆知覚契約(GM-IPC)を導入する。 この不確実性の特徴は、下流の計画フレームワークでリアルタイム安全なナビゲーションに活用できることが示されている。
  論文  参考訳（メタデータ） (2026-03-04T17:48:18Z)
• UniFField: A Generalizable Unified Neural Feature Field for Visual, Semantic, and Spatial Uncertainties in Any Scene [11.224584333257338]
  視覚的,意味的,幾何学的特徴を1つの一般化可能な表現で組み合わせた,統一的不確実性を考慮したニューラル特徴場UniFFieldを提案する。 シーン再構成と意味的特徴予測におけるモデル予測誤差を正確に記述するために,不確実性推定を評価した。
  論文  参考訳（メタデータ） (2025-10-08T08:30:26Z)
• Uncertainty Estimation for 3D Object Detection via Evidential Learning [63.61283174146648]
  本稿では,3次元検出器における鳥の視線表示における明らかな学習損失を利用して,3次元物体検出の不確かさを定量化するためのフレームワークを提案する。 本研究では,これらの不確実性評価の有効性と重要性を,分布外シーンの特定,局所化の不十分な物体の発見,および(偽陰性)検出の欠如について示す。
  論文  参考訳（メタデータ） (2024-10-31T13:13:32Z)
• Generalizability of Graph Neural Networks for Decentralized Unlabeled Motion Planning [72.86540018081531]
  ラベルなしの動作計画では、衝突回避を確保しながら、ロボットのセットを目標の場所に割り当てる。 この問題は、探査、監視、輸送などの応用において、マルチロボットシステムにとって不可欠なビルディングブロックを形成している。 この問題に対処するために、各ロボットは、その400ドルのアネレストロボットと$k$アネレストターゲットの位置のみを知っている分散環境で対処する。
  論文  参考訳（メタデータ） (2024-09-29T23:57:25Z)
• Uncertainty-boosted Robust Video Activity Anticipation [72.14155465769201]
  ビデオアクティビティの予測は、ロボットビジョンから自動運転まで幅広い応用可能性を受け入れることで、将来何が起こるかを予測することを目的としている。 近年の進展にもかかわらず、コンテンツ進化過程やイベントラベルの動的相関として反映されたデータ不確実性問題は、何らかの形で無視されている。 本研究では,予測結果の信頼性を示す不確実な値を生成する,不確実性を考慮した頑健なビデオアクティビティ予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-29T12:31:38Z)
• Distributional Instance Segmentation: Modeling Uncertainty and High Confidence Predictions with Latent-MaskRCNN [77.0623472106488]
  本稿では,潜在符号を用いた分散インスタンス分割モデルのクラスについて検討する。 ロボットピッキングへの応用として,高い精度を実現するための信頼性マスク手法を提案する。 本手法は,新たにリリースした曖昧なシーンのデータセットを含め,ロボットシステムにおける致命的なエラーを著しく低減できることを示す。
  論文  参考訳（メタデータ） (2023-05-03T05:57:29Z)
• Lightweight, Uncertainty-Aware Conformalized Visual Odometry [2.429910016019183]
  データ駆動型ビジュアルオドメトリー(VO)は、自律エッジロボティクスにとって重要なサブルーチンである。 昆虫スケールドローンや外科ロボットのような最先端ロボットデバイスは、VOの予測の不確実性を推定する計算的に効率的な枠組みを欠いている。 本稿では,共形推論(CI)を利用してVOの不確実な帯域を抽出する,新しい,軽量で統計的に堅牢なフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-03T20:37:55Z)
• SABER: Data-Driven Motion Planner for Autonomously Navigating Heterogeneous Robots [112.2491765424719]
  我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。 モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。 リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。 ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
  論文  参考訳（メタデータ） (2021-08-03T02:56:21Z)

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。