Fugu-MT 論文翻訳(概要): Learning Motion Feasibility from Point Clouds in Cluttered Environments

論文の概要: Learning Motion Feasibility from Point Clouds in Cluttered Environments

arxiv url: http://arxiv.org/abs/2606.26700v1
Date: Thu, 25 Jun 2026 07:32:25 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-26 18:46:32.192693
Title: Learning Motion Feasibility from Point Clouds in Cluttered Environments
Title（参考訳）: 散在環境における点雲からの運動可能性の学習
Abstract要約: 運動実現可能性予測はロボット工学、特にタスクや運動計画や操作において中心的な役割を果たす。既存の実現不可能性証明のアプローチは、低次元の設定空間に限られており、既知のパラメータを持つ原始オブジェクトで表される単純化された幾何学的環境を前提としている。本研究では,リアルな乱雑なシーンで動作する7-DOFマニピュレータの生RGB-D観測から直接の動作実現可能性予測の相補的問題について検討する。
参考スコア（独自算出の注目度）: 1.4699455652461726
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Motion feasibility prediction plays a central role in robotics, particularly in task and motion planning and manipulation. A major bottleneck for this problem in cluttered environments is that infeasible planning attempts by Sampling-based motion planners (SBMPs) can incur substantial computational cost. Also existing approaches for infeasibility certification are limited to low-dimensional configuration spaces and often assume simplified geometric environments represented by primitive objects with known parameters. We study the complementary problem of learning motion feasibility prediction directly from raw RGB-D observations for a 7-DOF manipulator operating in realistic cluttered scenes. We introduce the first large-scale benchmark for this setting, comprising 2.7M grasp feasibility labels over 88 scanned objects and 190 cluttered tabletop scenes. We benchmark three representative classifier families spanning MLP- based, volumetric-CNN, and point-cloud-based Transformer architectures under matched training conditions. Our best model, GRASPFC-PTX (a point-cloud transformer), achieves an AUROC of 0.996 on Novel objects while providing predictions significantly faster than SBMPs.
Abstract（参考訳）: 運動実現可能性予測はロボット工学、特にタスクや運動計画や操作において中心的な役割を果たす。乱雑な環境におけるこの問題の大きなボトルネックは、サンプリングベースのモーションプランナー(SBMP)による実現不可能な計画の試みが、かなりの計算コストを発生させることである。また、既存の実現不可能性証明のアプローチは、低次元の設定空間に限られており、しばしば既知のパラメータを持つ原始オブジェクトで表される単純化された幾何学的環境を仮定する。リアルな乱雑なシーンで動作する7-DOFマニピュレータの生RGB-D観測から直接の動作実現可能性予測の相補的問題について検討する。我々は,88件以上のスキャン対象と190件の散らばったテーブルトップシーンを把握可能なラベルを2.7Mで把握する,この設定のための最初の大規模ベンチマークを紹介する。 MLPベース、ボリュームCNN、ポイントクラウドベースのTransformerアーキテクチャにまたがる3つの代表的な分類ファミリを、一致したトレーニング条件下でベンチマークする。我々の最良モデルであるGRASPFC-PTX(ポイント・クラウド・トランスフォーマー)は、新しいオブジェクトに対して0.996のAUROCを達成し、SBMPよりもはるかに高速な予測を提供する。

関連論文リスト

Direct Contact-Tolerant Motion Planning With Vision Language Models [64.48049143625063]
乱雑な環境でのナビゲーションは、しばしばロボットが可動または変形可能な物体との接触を許容する必要がある。本稿では,視覚言語モデル(VLM)を直接的視点認識とナビゲーションに統合したDCTプランナを提案する。我々はIsaac Simと本物のカーライクなロボットにDCTを実装し、移動障害物のある散らばった環境において、DCTが堅牢で効率的なナビゲーションを実現することを実証した。
論文参考訳（メタデータ） (2026-03-05T10:05:00Z)
Learning Object-Centric Spatial Reasoning for Sequential Manipulation in Cluttered Environments [0.0]
我々は,低レベルの行動実行から高レベルの空間的推論を分離するフレームワークUnveilerを提案する。この分離されたアーキテクチャは、パラメータ数と推論時間の観点からより計算的に効率的であることを示す。シミュレーションでは,97.6%の成功率,90.0%の完全閉塞シナリオを達成し,複雑な操作タスクにおけるオブジェクト中心推論の能力について考察した。
論文参考訳（メタデータ） (2026-03-03T01:45:53Z)
MolmoSpaces: A Large-Scale Open Ecosystem for Robot Navigation and Manipulation [56.30931340537373]
MolmoSpacesは、ロボットポリシーのベンチマークをサポートするための、完全にオープンなエコシステムである。 MolmoSpacesは230万以上の屋内環境で構成されている。 MolmoSpaces-Benchは8つのタスクのベンチマークスイートで、ロボットが私たちの多様なシーンとリッチな注釈付きオブジェクトと対話する。
論文参考訳（メタデータ） (2026-02-11T20:16:31Z)
Into the Unknown: Towards using Generative Models for Sampling Priors of Environment Uncertainty for Planning in Configuration Spaces [28.37021202108478]
事前は部分的な可観測性の下での計画には不可欠だが、実際は入手が困難である。本稿では, 大規模事前学習モデルを用いて, ゼロショット方式で事前生成を行う確率論的パイプラインを提案する。我々は、ロボットが観測されていない対象物にナビゲートする必要がある戸口を通して部分的に見える部屋のMatterport3Dベンチマークを構築した。
論文参考訳（メタデータ） (2025-10-13T05:08:48Z)
Corner-Grasp: Multi-Action Grasp Detection and Active Gripper Adaptation for Grasping in Cluttered Environments [0.3565151496245486]
本研究では, 散在したビンピッキング環境において, 効果的に把握する手法を提案する。我々は吸引と指の握りを併用した多機能グリップを用いた。また,グリップハードウェアと周辺環境との衝突を最小限に抑えるために,アクティブグリップの適応戦略を提案する。
論文参考訳（メタデータ） (2025-04-02T16:12:28Z)
Learning a Fast Mixing Exogenous Block MDP using a Single Trajectory [87.62730694973696]
STEELは、単一軌道から外因性ブロックマルコフ決定過程の制御可能なダイナミクスを学習するための、最初の証明可能なサンプル効率アルゴリズムである。我々は,STEELが正解であり,サンプル効率が良いことを証明し,STEELを2つの玩具問題で実証した。
論文参考訳（メタデータ） (2024-10-03T21:57:21Z)
OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
論文参考訳（メタデータ） (2024-09-14T07:44:22Z)
Environment-aware Interactive Movement Primitives for Object Reaching in Clutter [4.5459332718995205]
本稿では,制約付き多目的最適化フレームワーク(OptI-ProMP)を提案する。 OptI-ProMPの特徴は、ターゲット地区の静的、動的、およびプッシュ可能なオブジェクトの両方に関連するコストであり、問題の初期化には確率的プリミティブに依存している。文献からのProMPベースのプランナとOptI-ProMPを,低(3-dofs),高(7-dofs)デキスタリティロボット体でシミュレーションした。
論文参考訳（メタデータ） (2022-10-28T15:03:23Z)
Neural Motion Fields: Encoding Grasp Trajectories as Implicit Value Functions [65.84090965167535]
本稿では,ニューラルネットワークによってパラメータ化される暗黙的値関数として,オブジェクト点群と相対的タスク軌跡の両方を符号化する新しいオブジェクト表現であるNeural Motion Fieldsを提案する。このオブジェクト中心表現は、SE(3)空間上の連続分布をモデル化し、サンプリングベースのMPCを利用して、この値関数を最適化することで、反応的に把握することができる。
論文参考訳（メタデータ） (2022-06-29T18:47:05Z)
Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
論文参考訳（メタデータ） (2021-11-15T18:50:04Z)

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。