論文の概要: KineFuse: Kinematic-Aware Haptic Fusion for In-Hand Occluded-Object Pose Tracking

• arxiv url: http://arxiv.org/abs/2607.14842v1
• Date: Thu, 16 Jul 2026 11:07:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:33.080971
• Title: KineFuse: Kinematic-Aware Haptic Fusion for In-Hand Occluded-Object Pose Tracking
• Title（参考訳）: KineFuse:手持ちの物体追跡のためのキネマティック・アウェア・ハプティック・フュージョン
• Abstract要約: 手で操作するには連続した6Dポーズトラッキングが必要だが、操作する指は必然的にカメラから物体を遮蔽する。 本研究は,多指ハンドで既に利用可能な疎発性触覚信号のプロセプション,近位力/トルク,二指接触などの構造について検討する。 キネマティック・アウェア・フィンガーレベル・エンコーダを提案し、3段階評価により4つの代替設計と体系的に比較する。
• 参考スコア（独自算出の注目度）: 18.013999575547427
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Dexterous in-hand manipulation requires continuous 6D pose tracking, yet the manipulating fingers inevitably occlude the object from the camera. We study how to structure the sparse haptic signals already available on multi-fingered hands, including proprioception, proximal force/torque, and binary contact, to complement a pretrained visual pose tracker under occlusion. We propose a kinematic-aware finger-level encoder and systematically compare it against four alternative designs through three levels of evaluation: per-frame refinement, sequential open-loop tracking, and closed-loop manipulation. Our experiments reveal that (i) per-frame evaluation cannot distinguish encoder quality, while sequential tracking amplifies architectural differences by up to 15 times; (ii) the structured encoder learns task-specific cross-modal gating, using vision exclusively for translation and dedicating one attention head to haptics for rotation, without explicit supervision; and (iii) compact finger-level tokenization with 4 tokens outperforms both flat fusion and joint-level representations, which suppress vision through norm dominance. We validate that improved tracking yields higher success in a downstream reorientation task and provide qualitative real-world demonstrations. Our project page is available at https://cold-young.github.io/kine-fuse/.
• Abstract（参考訳）: 奥行きの操作は連続した6Dポーズトラッキングを必要とするが、操作する指は必然的にカメラから物体を遮蔽する。 本研究は,多指ハンドで既に利用可能な疎発性触覚信号のプロテアーゼ,近位力/トルク,二指接触などの構成について検討し,前訓練した視覚的ポーズトラッカーを閉塞下で補完する方法について検討した。 本研究では,キーナマティック・アウェア・フィンガーレベル・エンコーダを提案し,フレーム単位の精細化,シーケンシャルなオープンループ追跡,クローズドループ操作という,4つの代替設計と体系的に比較する。 私たちの実験は i) フレーム単位の評価ではエンコーダの品質を区別できないが、シーケンシャルな追跡はアーキテクチャ上の違いを最大15倍まで増幅する。 二 構造化エンコーダは、暗黙の監督なしに、翻訳専用の視覚を用いてタスク固有のクロスモーダルゲーティングを学習し、ハプティクスに1つの注意を捧げて回転させる。 3)4つのトークンを持つコンパクトな指レベルのトークン化は、標準支配による視力を抑制するフラットフュージョンとジョイントレベルの表現の両方に優れる。 追従精度の向上は,下流再配向タスクの成功率を高め,定性的な実世界の実演を提供することを実証する。 私たちのプロジェクトページはhttps://cold-young.github.io/kine-fuse/.com/で公開されています。

関連論文リスト

• DreamHand: Repurposing Video Diffusion Models for Occlusion-Robust Egocentric 3D Hand Motion Recovery [51.92897182932217]
  Egocentric Videoは、組み込みAIのためのスケーラブルな操作データを提供する。 しかし、重度物体の閉塞と頻繁な視界外ギャップのため、3次元手指軌跡の復元は困難である。 オフラインのクリップレベルフレームワークであるDreamHandを導入し、決定論的クリーンレイテンシを使って機能を抽出し、双方向時空間デコーダでデコードする。
  論文  参考訳（メタデータ） (2026-08-20T17:46:24Z)
• DisPOSE: Projected Polystochastic Diffusion for Self-Supervised Multi-View 3D Human Pose Estimation [58.47973015036709]
  DisPOSEは、本質的に離散的な多視点人物割り当て問題を近似する自己教師型フレームワークである。 特定可能なシンクホーン射影を用いることにより、本モデルは有効かつ実現可能な課題への解の導出を学ぶ。 提案手法は、標準データセット上での最先端の自己教師手法よりも優れている。
  論文  参考訳（メタデータ） (2026-06-05T16:14:39Z)
• Sparse3DTrack: Monocular 3D Object Tracking Using Sparse Supervision [16.586885757497203]
  モノクロ3Dオブジェクトトラッキングは、ビデオフレーム全体で時間的に一貫した3Dオブジェクトのポーズを推定することを目的としている。 既存の最先端のアプローチは、完全に監視されており、長いビデオシーケンスよりも密集した3Dアノテーションに依存している。 モノクロ3次元物体追跡のための最初の教師付きフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-18T21:36:41Z)
• MoSiC: Optimal-Transport Motion Trajectory for Dense Self-Supervised Learning [66.53533434848369]
  密集した表現を学習する動き誘導型自己学習フレームワークを提案する。 6つの画像およびビデオデータセットと4つの評価ベンチマークにおいて、最先端を1%から6%改善する。
  論文  参考訳（メタデータ） (2025-06-10T11:20:32Z)
• Self-Supervised and Generalizable Tokenization for CLIP-Based 3D Understanding [87.68271178167373]
  凍結したCLIPバックボーンを用いたスケール不変表現学習のためのユニバーサル3Dトークン化器を提案する。 S4Tokenは、シーンスケールに関係なくセマンティックインフォームドトークンを生成するトークン化パイプラインである。
  論文  参考訳（メタデータ） (2025-05-24T18:26:30Z)
• Uni4D: A Unified Self-Supervised Learning Framework for Point Cloud Videos [70.07088203106443]
  既存の手法は運動を学ぶための明示的な知識に依存しており、結果として準最適表現をもたらす。 Masked Autoentangler (MAE)フレームワークは、4Dデータにおける低レベルの幾何学と高レベルのダイナミックスの間のギャップを埋めるのに苦労している。 本稿では,表現的,識別的,移動可能な4次元表現を学習するための,新しい自己異方性MAEを提案する。
  論文  参考訳（メタデータ） (2025-04-07T08:47:36Z)
• Object Discovery from Motion-Guided Tokens [50.988525184497334]
  自動エンコーダ表現学習フレームワークを、モーションガイダンスと中間レベルの特徴トークン化により強化する。 我々のアプローチは、解釈可能なオブジェクト固有の中間レベルの特徴の出現を可能にする。
  論文  参考訳（メタデータ） (2023-03-27T19:14:00Z)

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。