論文の概要: Learning to Throw Objects Safely in Multi-Obstacle Environments
- arxiv url: http://arxiv.org/abs/2607.06388v1
- Date: Tue, 07 Jul 2026 15:24:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-08 21:24:51.572613
- Title: Learning to Throw Objects Safely in Multi-Obstacle Environments
- Title（参考訳）: マルチオブザール環境で安全にオブジェクトをスローする学習
- Abstract要約: TossingBotのような既存のアプローチでは、視覚的な入力からスロー戦略を学ぶが、障害物のない設定を前提とする。
固定サイズのグリッド上に,バスケットアトラクションと障害物反発の両方をコンパクトに符号化するポテンシャル場状態表現を導入する。
PFRは、非構造環境における安全で効率的なロボティクス投球のための実用的で堅牢な表現であることを示す。
- 参考スコア（独自算出の注目度）: 14.544049936179071
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Robotic throwing enables fast and efficient object placement beyond the robot's immediate workspace, but reliable throwing in cluttered environments remains underexplored. Existing approaches, such as TossingBot, learn throwing strategies from visual input but assume obstacle-free settings. In this paper, we address the problem of throwing objects into a target basket while avoiding obstacles placed randomly in the scene. We introduce a potential field state representation that compactly encodes both basket attraction and obstacle repulsion on a fixed-size grid, enabling reinforcement learning (RL) policies to generalize across arbitrary numbers and configurations of obstacles. The policy is initialized from kinesthetic demonstrations and optimized in simulation using three state-of-the-art RL algorithms (SAC, DDPG, TD3). Among these, SAC achieves the most consistent performance across scenarios. We compare the potential field representation against explicit state encodings and demonstrate that it achieves higher success rates and better scalability to unseen obstacle configurations. Real-robot experiments with unseen throwable objects confirm robust sim-to-real transfer, achieving up to $90\%$ success in cluttered scenes. These results demonstrate that PFR provides a practical and robust representation for safe and efficient robotic throwing in unstructured environments. A video showcasing our experiments is available at: https://youtu.be/ZZnJf8ua2dE
- Abstract（参考訳）: ロボット投げはロボットの即時作業空間を超えて高速で効率的な物体配置を可能にするが、乱雑な環境での信頼性の高い投球は未探索のままである。
TossingBotのような既存のアプローチでは、視覚的な入力からスロー戦略を学ぶが、障害物のない設定を前提とする。
本稿では,シーン内にランダムに配置された障害物を回避しつつ,対象のバスケットに物体を投げ込む問題に対処する。
固定サイズのグリッド上に,バスケットアトラクションと障害物反発の両方をコンパクトに符号化し,任意の数と障害物の構成をまたいで強化学習(RL)ポリシーを一般化する潜在的場状態表現を導入する。
このポリシは,3つの最先端RLアルゴリズム(SAC,DDPG,TD3)を用いて,審美的実証から初期化され,シミュレーションに最適化されている。
これらのうち、SACはシナリオ間で最も一貫したパフォーマンスを達成する。
我々は、フィールド表現を明示的な状態符号化と比較し、それがより高い成功率と、目に見えない障害物構成のスケーラビリティを達成することを実証する。
見えない投棄可能な物体による実ロボット実験は、ロバストなsim-to-realトランスファーを証明し、散らばったシーンで最大90\%の成功を達成した。
これらの結果は、PFRが非構造環境における安全で効率的なロボティクス投球のための実用的で堅牢な表現を提供することを示した。
実験のビデオは、https://youtu.be/ZZnJf8ua2dEで公開されている。
関連論文リスト
- GASE: Gaussian Splatting-Based Automated System for Reconstructing Embodied-Simulation Environments [63.222920701596564]
実世界での実施エージェントの訓練には熟練したオペレーターと高価なハードウェアが必要である。
シミュレーション環境は、大規模で費用対効果の高いデータ拡張を可能にすることで、魅力的な代替手段を提供する。
シミュレーションシーンを最小限のsim-to-realギャップで高速に構築することは、ロボット学習において重要な目標となっている。
論文 参考訳（メタデータ） (2026-06-16T05:00:42Z) - Trans2Occ: Voxel Occupancy Estimation and Grasp for Transparent Objects from Simulation to Reality [125.76063573012853]
単一ビューRGB入力に基づく透明な物体認識と操作のためのフレームワークを提案する。
提案手法は,1つの画像から直接ボクセル空間の占有率を予測し,下流ロボットの把握を支援する幾何学的表現を提供する。
論文 参考訳（メタデータ） (2026-06-01T06:59:13Z) - Imagine2Real: Towards Zero-shot Humanoid-Object Interaction via Video Generative Priors [51.096845970243855]
高忠実度3Dデータの不足により,全体Humanoid-Object Interaction (HOI) がボトルネックとなる。
本研究では,ゼロショットHOIフレームワークであるImagine2Realを提案する。
論文 参考訳（メタデータ） (2026-05-21T10:15:39Z) - AdaClearGrasp: Learning Adaptive Clearing for Zero-Shot Robust Dexterous Grasping in Densely Cluttered Environments [31.097251477695497]
AdaClearGraspは、適応的クリアリングとゼロショットデクスタラスグルーピングのためのクローズドループ決定実行フレームワークである。
事前学習された視覚言語モデル(VLM)は、視覚観察と言語タスク記述を解釈し、把握された干渉について推論する。
視覚的なフィードバックは結果を監視し、失敗時にリプランングをトリガーし、クローズドループ補正メカニズムを形成する。
論文 参考訳（メタデータ） (2026-03-11T10:24:20Z) - Object-centric 3D Motion Field for Robot Learning from Human Videos [56.9436352861611]
本稿では,人間ビデオからのロボット学習の動作を表現するために,物体中心の3次元運動場を提案する。
ゼロショット制御のためのビデオからこの表現を抽出するための新しいフレームワークを提案する。
実験の結果,提案手法は最新の手法に比べて3次元動作推定誤差を50%以上削減できることがわかった。
論文 参考訳（メタデータ） (2025-06-04T17:59:06Z) - 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) - IMPACT: Intelligent Motion Planning with Acceptable Contact Trajectories via Vision-Language Models [3.3871564496652335]
IMPACTは、視覚言語モデルを使って環境意味論を推論する新しい動き計画フレームワークである。
3200以上のシミュレーションと200以上の実世界の実験の結果から,IMPACTは乱雑な環境下での効率的な接触リッチな動作計画を可能にすることが示唆された。
論文 参考訳（メタデータ） (2025-03-13T07:09:00Z) - FetchBot: Learning Generalizable Object Fetching in Cluttered Scenes via Zero-Shot Sim2Real [25.60751532514627]
乱雑なシーンでの一般化可能なオブジェクトフェッチは、AIを具現化する上で、基本的でアプリケーションクリティカルな課題である。
FetchBotは、この挑戦のためのsim-to-realフレームワークである。
平均的な実世界の成功率は89.95%であり、従来の手法よりも大幅に上回っている。
論文 参考訳（メタデータ） (2025-02-25T06:32:42Z) - Gameplay Filters: Robust Zero-Shot Safety through Adversarial Imagination [12.548355269509882]
本稿では,シミュレーション学習された安全戦略と仮想敵との仮説的一致を連続的に再現する新しい種類の予測安全フィルタを提案する。
本研究では, (36-D) 四元体力学の1次全次安全フィルタを用いて, アプローチのスケーラビリティと堅牢性を実証する。
論文 参考訳（メタデータ） (2024-05-01T20:21:44Z) - RPMArt: Towards Robust Perception and Manipulation for Articulated Objects [56.73978941406907]
本稿では,Articulated Objects (RPMArt) のロバスト知覚と操作のためのフレームワークを提案する。
RPMArtは、調音パラメータを推定し、雑音の多い点雲から調音部分を操作することを学習する。
我々は,シミュレート・トゥ・リアル・トランスファーの能力を高めるための調音認識型分類手法を提案する。
論文 参考訳（メタデータ） (2024-03-24T05:55:39Z) - Unified Control Framework for Real-Time Interception and Obstacle Avoidance of Fast-Moving Objects with Diffusion Variational Autoencoder [2.5642257132861923]
動的環境におけるロボットアームによる高速移動物体のリアルタイムインターセプションは、非常に困難な課題である。
本稿では,動的オブジェクトを同時にインターセプトし,移動障害を回避することで,課題に対処する統一的な制御フレームワークを提案する。
論文 参考訳（メタデータ） (2022-09-27T18:46:52Z) - 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。