論文の概要: Static In, Dynamic Out: Counterfactual Action Augmentation for Moving Object Manipulation

• arxiv url: http://arxiv.org/abs/2607.27890v1
• Date: Thu, 30 Jul 2026 09:05:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.471387
• Title: Static In, Dynamic Out: Counterfactual Action Augmentation for Moving Object Manipulation
• Title（参考訳）: 静的イン, 動的アウト:移動物体操作のための対実的行動増強
• Abstract要約: Static In, Dynamic Out (SIDO) は、静的なオブジェクトのデモのみにトレーニングされたポリシーをテスト時に見えないオブジェクトの動きに適応させる、ファクトファクトのアクション拡張である。 私たちのキーとなるアイデアは、物体の操作を2つのサブプロブレムに分解することです。 SIDOは、オブジェクトを反現実的な将来の位置と実証されたアクションチャンクに置き換えて、手動の相対的なポーズを保持し、目標条件のポリシーを生成する。
• 参考スコア（独自算出の注目度）: 12.939219504297682
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Visuomotor policies have advanced on manipulation tasks where the target object stays static during execution, but real deployments break this assumption: parts drift on conveyors and fruits sway in the wind. We introduce Static In, Dynamic Out (SIDO), a counterfactual action augmentation that enables a policy trained only on static object demonstrations to adapt to unseen object motion at test time. Our key idea is to factorize moving object manipulation into two sub-problems: predicting where the object will be, and reaching that predicted pose. SIDO displaces the object to a counterfactual future position and morphs the demonstrated action chunk to preserve the hand-object relative pose, yielding a goal-conditioned policy. At deployment an object pose predictor supplies the future position. Across three simulated tasks (Mug, Square, Stack) under five object motion patterns and two real-world tasks (Gantry, Peachtree), SIDO improves moving object success over the baselines while preserving static object performance. Project website: https://sido-staticindynamicout.github.io/.
• Abstract（参考訳）: Visuomotorのポリシーは、実行中に対象のオブジェクトが静的のままであるような操作タスクに進歩しましたが、実際のデプロイでは、この前提を破ります。 我々は、静的なオブジェクトのデモのみにトレーニングされたポリシーをテスト時に見えないオブジェクトの動きに適応させる、反ファクトなアクション拡張であるStatic In, Dynamic Out (SIDO)を紹介した。 私たちのキーとなるアイデアは、物体の操作を2つのサブプロブレムに分解することです。 SIDOは、オブジェクトを偽の将来の位置に置き、実証されたアクションチャンクを変形させ、手動の相対的なポーズを保ち、目標条件のポリシーを生成する。 デプロイ時にオブジェクトのポーズ予測が将来の位置を提供する。 5つのオブジェクトモーションパターンと2つの現実世界タスク(Gantry、Peachtree)の下の3つのシミュレートされたタスク(Mug、Square、Stack)にわたって、SIDOは、静的オブジェクトのパフォーマンスを維持しながら、ベースライン上でのオブジェクトの移動の成功を改善する。 プロジェクトウェブサイト: https://sido-staticindynamicout.github.io/

関連論文リスト

• Motion-Uncertainty-Aware Next-Best-View Planning for Moving Object Reconstruction [13.309411974709574]
  本研究では、平面運動中の未知の剛体物体を再構成するための運動不確実性を考慮したNBVフレームワークを提案する。 この予測的信念を得るために、固定ラグガウス過程はよりスムーズな推定を行い、ノイズのある位置測定から対象状態を予測する。 得られた信念は、予測対象位置に関する候補視点を生成し、到達可能性によってそれらをフィルタリングし、予測されるカバレッジ駆動スコアを推定するために使用される。
  論文  参考訳（メタデータ） (2026-05-17T18:45:38Z)
• Rapid Adaptation of Particle Dynamics for Generalized Deformable Object Mobile Manipulation [25.501392381801825]
  変形可能な物体を未知のダイナミクスで操作する学習の課題に対処する。 脚と手動の剛体操作のような他のロボット領域では、最先端のアプローチは未知のダイナミクスを扱うことができる。 実ロボット変形可能なオブジェクト移動操作を学習する2相法であるRAPiDを開発した。
  論文  参考訳（メタデータ） (2026-03-18T20:09:55Z)
• Mash, Spread, Slice! Learning to Manipulate Object States via Visual Spatial Progress [53.723881111373736]
  SPARTAは、オブジェクトの状態変化操作タスクのファミリーで最初に統合されたフレームワークである。 SPARTAは、空間的に進行するオブジェクト変化のセグメンテーションマップ、実行可能領域と変換可能領域を知覚する視覚的スキル、時間とともに漸進的な進歩を捉える高密度報酬を統合している。 SPARTAを現実のロボットで検証し、10種類の現実世界のオブジェクトにまたがる3つの課題について検討する。
  論文  参考訳（メタデータ） (2025-09-28T23:56:07Z)
• SPOC: Spatially-Progressing Object State Change Segmentation in Video [52.65373395382122]
  本稿では,空間的に進行するオブジェクト状態変化セグメンテーションタスクを紹介する。 目標は、アクション可能なオブジェクトと変換されるオブジェクトのピクセルレベルの領域をセグメント化することです。 本研究は,ロボットエージェントに役立てるために,活動進行の追跡に有用であることを示す。
  論文  参考訳（メタデータ） (2025-03-15T01:48:54Z)
• TAS: A Transit-Aware Strategy for Embodied Navigation with Non-Stationary Targets [55.09248760290918]
  非定常目標を持つ動的シナリオにおけるナビゲーションのための新しいアルゴリズムを提案する。 我々の新しいTAS(Transit-Aware Strategy)は、具体化されたナビゲーションポリシーをオブジェクトパス情報で強化する。 TASは、ターゲットルートとルートを同期させるエージェントを報酬することで、非定常環境での性能を改善する。
  論文  参考訳（メタデータ） (2024-03-14T22:33:22Z)
• ROAM: Robust and Object-Aware Motion Generation Using Neural Pose Descriptors [73.26004792375556]
  本稿では,3次元オブジェクト認識キャラクタ合成における新しいシーンオブジェクトへのロバストさと一般化が,参照オブジェクトを1つも持たないモーションモデルをトレーニングすることで実現可能であることを示す。 我々は、オブジェクト専用のデータセットに基づいて訓練された暗黙的な特徴表現を活用し、オブジェクトの周りのSE(3)-同変記述体フィールドをエンコードする。 本研究では,3次元仮想キャラクタの動作と相互作用の質,および未知のオブジェクトを持つシナリオに対するロバスト性を大幅に向上することを示す。
  論文  参考訳（メタデータ） (2023-08-24T17:59:51Z)
• InstMove: Instance Motion for Object-centric Video Segmentation [70.16915119724757]
  本研究では,オブジェクト中心ビデオのインスタンス・モーションを表すInstMoveとインスタンス・レベル・モーションについて検討する。 InstMoveは主に画像特徴の埋め込みのないインスタンスレベルのモーション情報に依存している。 数行のコードだけで、InstMoveは3つの異なるビデオセグメンテーションタスクのために、現在のSOTAメソッドに統合できる。
  論文  参考訳（メタデータ） (2023-03-14T17:58:44Z)
• Unsupervised Multi-object Segmentation by Predicting Probable Motion Patterns [92.80981308407098]
  手動による監督なしに複数の画像オブジェクトを分割する手法を提案する。 この方法は静止画像からオブジェクトを抽出するが、監視のためにビデオを使用する。 シミュレーションおよび実世界のベンチマークで、最先端の教師なしオブジェクトセグメンテーション性能を示す。
  論文  参考訳（メタデータ） (2022-10-21T17:57:05Z)
• Object Manipulation via Visual Target Localization [64.05939029132394]
  オブジェクトを操作するための訓練エージェントは、多くの課題を提起します。 本研究では,対象物体を探索する環境を探索し,位置が特定されると3次元座標を計算し,対象物が見えない場合でも3次元位置を推定する手法を提案する。 評価の結果,同じ感覚スイートにアクセス可能なモデルに比べて,成功率が3倍に向上したことが示された。
  論文  参考訳（メタデータ） (2022-03-15T17:59:01Z)

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。