論文の概要: PREFAIL: Identifying Precursors to Failures in Robotic Lift-and-Place Tasks to Improve Task Execution Performance

• arxiv url: http://arxiv.org/abs/2607.16921v1
• Date: Sat, 18 Jul 2026 18:25:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.302208
• Title: PREFAIL: Identifying Precursors to Failures in Robotic Lift-and-Place Tasks to Improve Task Execution Performance
• Title（参考訳）: PreFAIL: ロボットリフット・アンド・プレイス作業におけるタスク実行性能向上のための前処理器の故障検出
• Abstract要約: 本稿では, 対象物体の相対的な動きをキャリヤに対して解析することにより, 故障前駆体(PREFAIL)の予測に有効な手法を提案する。 実験の結果,PreFAILは障害前駆体に対する応答の精度とタイムラインを大幅に改善することがわかった。
• 参考スコア（独自算出の注目度）: 18.15066408206677
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Non-prehensile manipulation enables flexible material handling with part carriers, but friction-based support makes high-speed motions failure-prone, while slower operation increases cycle time. Proactive failure prediction is therefore essential for efficient and reliable performance, yet existing approaches remain limited by key constraints, including sensitivity to dynamic actions and high dependence on known policy structures. Furthermore, existing methods and datasets lack a precise characterization of the latest intervention time, leaving it unclear whether a detected failure can still be prevented through timely intervention. In this paper, we investigate lift-and-place tasks for non-prehensile material handling manipulation and propose a more effective approach to predicting precursors to failures (PREFAIL) by analyzing the relative motion of target objects with respect to the carrier. We further introduce a dataset that precisely identifies the latest intervention time for risky manipulations, enabling rigorous evaluation of whether a failure prediction is actionable. We validate our approach on both simulation and real-world datasets. Our experimental results demonstrate that PREFAIL substantially improves both the accuracy and timeliness of responses to failure precursors.
• Abstract（参考訳）: 非包括的操作は、部品キャリアによる柔軟な材料ハンドリングを可能にするが、摩擦ベースのサポートは高速動作の失敗を招き、動作の遅さはサイクルタイムを増大させる。 したがって、アクティブな障害予測は効率的で信頼性の高いパフォーマンスには不可欠であるが、既存のアプローチは、動的アクションに対する感受性や既知のポリシー構造への高い依存など、重要な制約によって制限されている。 さらに、既存の方法やデータセットには、最新の介入時間の正確な特徴が欠けており、検出された障害がタイムリーな介入によってまだ防げるかどうかがはっきりしないままである。 本稿では,非包括的材料ハンドリング操作におけるリフト・アンド・プレイスタスクについて検討し,キャリアに対する対象物体の相対運動を解析することにより,障害前駆体(PREFAIL)の予測に有効なアプローチを提案する。 さらに、リスク操作のための最新の介入時間を正確に識別するデータセットを導入し、障害予測が実行可能なかどうかを厳格に評価する。 シミュレーションと実世界のデータセットの両方にアプローチを検証する。 実験の結果,PreFAILは障害前駆体に対する応答の精度とタイムラインを大幅に改善することがわかった。

関連論文リスト

• Occluding the Solution Space: Planner-Agnostic Adversarial Attacks on Tolerance-Aware Manipulation [57.9825059129472]
  本稿では, 耐障害性を考慮したアタック・フレームワークを提案する。 提案手法は,評価パラダイムを目標領域を越えたタスクレベルの実現性にシフトする。 オンラインでは、この攻撃を最大カバレッジ最適化の予算として定式化しています。
  論文  参考訳（メタデータ） (2026-07-04T08:14:44Z)
• Synergizing Efficiency and Reliability for Continuous Mobile Manipulation [14.763845074065019]
  人間は予測計画と即時フィードバックを融合し、停止することなく連続した移動操作タスクを実行する。 本稿では,モバイル操作の効率化と信頼性を両立させる統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-07T04:55:16Z)
• F2F-AP: Flow-to-Future Asynchronous Policy for Real-time Dynamic Manipulation [62.06267255986041]
  非同期推論はロボット操作における主要なパラダイムとして現れている。 本稿では,予測対象の流れを利用して将来の観測を合成する新しい枠組みを提案する。 本手法は複雑な動的操作タスクにおける応答性と成功率を大幅に向上させる。
  論文  参考訳（メタデータ） (2026-04-02T17:57:15Z)
• Shifting Uncertainty to Critical Moments: Towards Reliable Uncertainty Quantification for VLA Model [10.781664119473966]
  本稿では,ロールアウトの成功と失敗を予測するための統一的不確実性定量化手法を提案する。 本手法は, 故障予測精度を大幅に向上し, 故障検出のための信頼性の高い信号を得る。
  論文  参考訳（メタデータ） (2026-03-18T22:52:03Z)
• Latent Dynamics-Aware OOD Monitoring for Trajectory Prediction with Provable Guarantees [8.920589816043298]
  安全クリティカルなサイバー物理システムでは、正確な軌道予測が下流の計画と制御に不可欠なガイダンスを提供する。 このようなOODイベントの検出は、トラフィック条件の進化とインタラクションパターンの変化によって困難である。 我々は,変化後分布の明示的な知識を必要とせずに,累積最大離散性アプローチを拡張して検出を可能にする。 3つの実世界の運転データセットの実験では、重み付きエラーや未知のポストチェンジ条件に対する検出遅延と堅牢性の低減が示されている。
  論文  参考訳（メタデータ） (2026-03-15T20:56:57Z)
• Seeing Farther and Smarter: Value-Guided Multi-Path Reflection for VLM Policy Optimization [41.15414881730464]
  VLM(Vision-Language Models)は、この目標に対して、一般的なパーセプティブ・レアソン・アクティベート・フレームワークを提供する。 従来のアプローチは、ノイズの多い予見予測から状態値の非効率で、しばしば不正確な暗黙の学習に依存していた。 動作生成から状態評価を分離する新しいテスト時間計算フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-22T22:53:16Z)
• Preliminary Investigation into Uncertainty-Aware Attack Stage Classification [81.28215542218724]
  この研究は、不確実性の下での攻撃段階推論の問題に対処する。 Evidential Deep Learning (EDL) に基づく分類手法を提案し、ディリクレ分布のパラメータを可能な段階に出力することで予測の不確実性をモデル化する。 シミュレーション環境における予備実験により,提案モデルが精度良く攻撃の段階を推定できることが実証された。
  論文  参考訳（メタデータ） (2025-08-01T06:58:00Z)
• Active Test-time Vision-Language Navigation [60.69722522420299]
  ATENAは、不確実なナビゲーション結果に対するエピソードフィードバックを通じて、実用的な人間とロボットのインタラクションを可能にする、テスト時のアクティブな学習フレームワークである。 特にATENAは、成功エピソードにおける確実性を高め、失敗エピソードにおいてそれを減らすことを学び、不確実性の校正を改善している。 さらに,自信ある予測に基づいて,エージェントがナビゲーション結果を評価することができる自己学習戦略を提案する。
  論文  参考訳（メタデータ） (2025-06-07T02:24:44Z)
• Can We Detect Failures Without Failure Data? Uncertainty-Aware Runtime Failure Detection for Imitation Learning Policies [19.27526590452503]
  FAIL-Detectは、模倣学習に基づくロボット操作における障害検出のための2段階のアプローチである。 まず、政策失敗と相関し、不確実性を捉えるスカラー信号にポリシー入力と出力を蒸留する。 我々の実験は、新しいフローベース密度推定器を使用する場合、学習信号がほぼ一貫した効果を示す。
  論文  参考訳（メタデータ） (2025-03-11T15:47:12Z)
• 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)
• Trajectory Forecasting from Detection with Uncertainty-Aware Motion Encoding [121.66374635092097]
  物体検出と追跡から得られる軌道は、必然的にうるさい。 本稿では, 明示的に形成された軌道に依存することなく, 直接検出結果に基づく軌道予測器を提案する。
  論文  参考訳（メタデータ） (2022-02-03T09:09:56Z)

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。