論文の概要: PhysV2A: Reachability-Gated and Semantic-Mask-Constrained Feasibility Completion for Video-to-Robot Manipulation
- arxiv url: http://arxiv.org/abs/2607.09365v1
- Date: Fri, 10 Jul 2026 12:43:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-13 16:48:13.448454
- Title: PhysV2A: Reachability-Gated and Semantic-Mask-Constrained Feasibility Completion for Video-to-Robot Manipulation
- Title（参考訳）: PhysV2A:ビデオとロボットのマニピュレーションのための到達性とセマンティックマスクの制約付きフィージビリティ補完
- Abstract要約: ビデオベースの操作は、人間のデモ、生成されたビデオ、RGB-D観察からオブジェクト中心の動作を先取りする。
PhysV2Aは、ビデオ由来の6Dオブジェクトの動きをロボット実行可能な操作軌道に変換するためのフレームワークである。
- 参考スコア（独自算出の注目度）: 17.70834422785338
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Video-based manipulation provides object-centric motion priors from human demonstrations, generated videos, or RGB-D observations, but such priors are typically embodiment-agnostic and cannot be directly executed by a specific robot. This paper presents \textbf{PhysV2A}, a reachability-gated and semantic-mask-constrained feasibility-completion framework for converting video-derived 6D object motion into robot-executable manipulation trajectories. The key idea is to treat grasp feasibility as trajectory-conditioned rather than local: each RGB-D-generated 6-DoF grasp candidate is rigidly coupled with the recovered object motion to form a grasp-conditioned TCP trajectory hypothesis. PhysV2A then performs hierarchical reachability-gated selection, where infeasible grasp--trajectory pairs are rejected by robot-centric kinematic checks and surviving candidates are ranked by downstream execution suitability. For the selected reachable trajectory, a VLM-assisted and rule-validated S-Mask identifies task-critical and relaxable Cartesian components, enabling semantic-mask-constrained manipulability refinement through redundancy-first optimization and bounded Cartesian relaxation. Real-robot experiments on four tabletop manipulation tasks show that PhysV2A improves task success over representative video-prior and IK-only baselines, reduces kinematic-feasibility failures, and produces better-conditioned trajectories with bounded semantic deviations.
- Abstract（参考訳）: ビデオベースの操作は、人間のデモ、生成されたビデオ、またはRGB-Dの観察からオブジェクト中心の動作に先立って行われるが、そのような操作は通常、具体的ではないため、特定のロボットによって直接実行されることはできない。
本稿では,映像由来の6Dオブジェクトの動きをロボット操作可能な操作軌跡に変換するための,到達可能性付きセマンティックマスク制約付きフィジビリティ・コンプリート・フレームワークである「textbf{PhysV2A}」を提案する。
各RGB-D生成6-DoFグリップ候補は、回収された物体の動きと厳密に結合され、グリップ条件のTCP軌道仮説を形成する。
そして、PhysV2Aは階層的リーチビリティ-ゲート選択を行い、ロボット中心の運動チェックによって、事実上の把握-軌道対を拒絶し、生き残った候補を下流実行適性でランク付けする。
選択された到達可能な軌道に対して、VLM支援およびルール検証されたS-Maskは、タスククリティカルで緩和可能なCartesianコンポーネントを識別し、冗長性第一の最適化と有界Cartesianリラクゼーションによるセマンティックマスク制約によるマニピュラビリティ改善を可能にする。
4つのテーブルトップ操作タスクにおける実ロボット実験により、PhysV2Aは、代表的ビデオプリンシパルとIKのみのベースラインよりもタスク成功を改善し、キネマティックフェーザビリティ障害を低減し、有界なセマンティック逸脱を伴うより良い条件付き軌道を生成する。
関連論文リスト
- RGB-D Video Generation for Improving Human-to-Robot Object Handover Prediction [51.76737991200891]
H2R(Human-to-robot)オブジェクトハンドオーバは、人間とロボットのコラボレーションの基本的な能力である。
本稿では,RGB-DビデオデータセットであるHand2Botを紹介する。
ハンドオブジェクトの一貫性を確保しつつ,現実的なハンドオーバシーケンスを合成する生成パイプラインであるPassGenを提案する。
論文 参考訳（メタデータ） (2026-08-13T09:55:59Z) - KineBench: Benchmarking Embodied World Models via IDM-Free Kinematic Grounding [58.541098216700796]
エンボディド・ワールド・モデルの 物理的整合性を評価することは 重要なオープン・チャレンジです
既存のフレームワークはほとんどがアクション抽出に逆ダイナミクスモデル(IDM)に依存している。
IDMのないEWMのためのクローズドループベンチマークであるKineBenchを紹介する。
論文 参考訳（メタデータ） (2026-07-22T08:04:17Z) - GenVid2Robot: From Video Generation to Robot Manipulation via Rigid-Geometric Consistency [19.566368780107613]
GenVid2Robotは、生成されたビデオモーションを実行可能なリアルタイムロボット操作トラジェクトリに変換するフレームワークである。
実験により、GenVid2Robotは、視運動前兆を粗いメトリ幾何でグラウンドすることで、生成ビデオ誘導操作の信頼性を向上させることが示された。
論文 参考訳（メタデータ） (2026-07-10T08:32:47Z) - Synthetic-to-Real Translation for Class-Agnostic Motion Prediction [64.55842058684583]
動き予測のための合成から現実への翻訳の可能性について検討する。
本稿では,動作知識翻訳フレームワークを2つの重要なコンポーネントに統合する新しいアプローチを提案する。
SRMP研究に適した最初の合成4D LiDARデータセットであるMotion4Dを生成するための物理ベースパイプラインを提案する。
論文 参考訳（メタデータ） (2026-07-07T14:19:22Z) - From Imagined Futures to Executable Actions: Mixture of Latent Actions for Robot Manipulation [88.39072412680633]
将来の映像を実行可能な表現に変換する制御指向インタフェースであるMoLAを提案する。
我々は,シミュレーションベンチマークと実世界のロボット操作タスクに対するアプローチを評価した。
論文 参考訳（メタデータ） (2026-05-12T14:15:16Z) - DexSynRefine: Synthesizing and Refining Human-Object Interaction Motion for Physically Feasible Dexterous Robot Actions [0.5599792629509227]
本稿では,人-物間相互作用(HOI)データから外乱操作を学習するフレームワークであるDexSynを紹介する。
また,プロテローム受容履歴からのsim-to-realトランスファーを可能にするコンタクト・アンド・オリエンテーション・アダプティブ・モジュールを提案する。
論文 参考訳（メタデータ） (2026-05-07T09:31:43Z) - ViPS: Video-informed Pose Spaces for Auto-Rigged Meshes [55.32681167870698]
Video-informed Pose Spaces (ViPS)は、自動リップメッシュのための有効な調律の潜時分布を検出するフィードフォワードフレームワークである。
ViPSは生成ビデオの先行値を所定のリグパラメータ化上の普遍分布に転送する。
評価の結果,VPSは,合成アーティストが作成した4Dデータに基づいて訓練した最先端の手法の性能と,妥当性と多様性の両面で一致していることがわかった。
論文 参考訳（メタデータ） (2026-04-19T21:21:11Z) - EmboAlign: Aligning Video Generation with Compositional Constraints for Zero-Shot Manipulation [17.037238350207513]
大規模なインターネットデータに事前訓練されたビデオ生成モデル(VGM)は、時間的に一貫性のあるロールアウトビデオを生成することができる。
提案手法は,VGM出力を推論時に視覚言語モデルによって生成された洞察と整合するデータフリーフレームワークである。
本研究では,6つの実ロボット操作タスクに対して,厳密で制約に敏感な実行を必要とする手法を評価する。
論文 参考訳（メタデータ） (2026-03-05T23:31:56Z) - DRAW2ACT: Turning Depth-Encoded Trajectories into Robotic Demonstration Videos [24.681248200255975]
ビデオモデルは、組み込みAIのための強力な現実世界シミュレータを提供するが、ロボット操作の制御性には制限がある。
入力軌跡から複数の表現を抽出するトラジェクトリ条件付きビデオ生成フレームワークであるDRAW2ACTを提案する。
DRAW2ACTは、既存のベースラインよりも高い操作成功率を示しながら、より優れた視覚的忠実度と一貫性を実現する。
論文 参考訳（メタデータ） (2025-12-16T09:11:36Z) - ReMoSPLAT: Reactive Mobile Manipulation Control on a Gaussian Splat [3.983697124458495]
反応性制御は、移動マニピュレータのベースとアームの動きを優雅に調整することができる。
本稿では,モバイル操作のための2次プログラム定式化に基づくレスポンシブコントローラReMoSPLATを提案する。
論文 参考訳（メタデータ） (2025-12-10T13:52:08Z) - Spatial-Temporal Graph Diffusion Policy with Kinematic Modeling for Bimanual Robotic Manipulation [88.83749146867665]
既存のアプローチは、遠く離れた次のベストなエンドエフェクタのポーズを予測するポリシーを学びます。
すると、運動に対する対応する関節回転角を逆運動学を用いて計算する。
本稿では,Kinematics 拡張空間テンポアル gRaph diffuser を提案する。
論文 参考訳（メタデータ） (2025-03-13T17:48:35Z) - 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) - Learning to Segment Rigid Motions from Two Frames [72.14906744113125]
本研究では, 運動場から独立物体の動きを復元する幾何学的解析により, モジュラーネットワークを提案する。
2つの連続フレームを入力とし、背景のセグメンテーションマスクと複数の剛体移動オブジェクトを予測し、3次元の剛体変換によってパラメータ化する。
本手法はkittiおよびsintelにおける剛体運動セグメンテーションの最先端性能を実現する。
論文 参考訳（メタデータ） (2021-01-11T04:20:30Z)
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。