論文の概要: PAC-MAN: Perception-Aware CBF-RL for Whole-Body Safety in Humanoid Dodgeball
- arxiv url: http://arxiv.org/abs/2607.28623v1
- Date: Thu, 30 Jul 2026 17:59:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-31 21:37:00.712811
- Title: PAC-MAN: Perception-Aware CBF-RL for Whole-Body Safety in Humanoid Dodgeball
- Title（参考訳）: PAC-MAN:ヒトドッジボールにおける全身安全のための知覚認識型CBF-RL
- Authors: Lizhi Yang, Junheng Li, Aaron D. Ames,
- Abstract要約: PAC-MANは、コントロールバリアの安全性と、全身のヒューマノイドドッジボールに対する展開現実的なオンボードセンシングを併用した、知覚対応のCBF-RLフレームワークである。
我々は、Unitree G1上で軽量なLink-CBFポリシーをゼロショットで展開し、不完全な認識を許容し、95%のスローで成功し、セマンティックセグメンテーションを用いて異なるボールのドッジを行う。
- 参考スコア（独自算出の注目度）: 20.41490560492412
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present PAC-MAN, a perception-aware CBF-RL framework that couples control-barrier safety with deployment-realistic onboard sensing for whole-body humanoid dodgeball. The deployed policy sees the ball only as segmentation-masked depth from a head-mounted camera, while training-time CBF guidance represents clearance to every body link, and an adversarial motion prior regularizes the resulting evasive reflexes. We evaluate on a controlled any-link contact benchmark with seeded throws in two regimes: single throws and a deployment loop in which the robot walks back to its station and recovers between throws. On this benchmark, the policy comes within a few points of a privileged state oracle: a fixed onboard camera alone is adequate for evasion. We find that usable barrier structure depends on perceptual observability: Joint-CBF gives the best performance with accurate ball states, degrades under fixed-camera observations when used only as training guidance, and recovers with a ball-tracking gimbal or privileged runtime filter. We therefore deploy a lightweight Link-CBF policy zero-shot on the Unitree G1 in the real world, where it tolerates imperfect perception, succeeds on 95% of throws, and uses semantic segmentation to dodge different balls.
- Abstract（参考訳）: PAC-MANは,コントロールバリアの安全性と,全身のヒューマノイドドッジボールに対する展開リアルなオンボードセンシングを併用した知覚認識型CBF-RLフレームワークである。
展開されたポリシーでは、ボールはヘッドマウントカメラからのセグメンテーションマッピングされた深さのみであり、トレーニングタイムCBFガイダンスは、すべてのボディリンクへのクリアランスを表し、敵の動きは、その結果の回避反射を規則化する。
そこで我々は,単発投球と,ロボットがステーションに戻り,投球間を回復する展開ループの2つの条件で,シード投球を用いた制御された任意のリンク接触ベンチマークを評価した。
このベンチマークでは、このポリシーは特権状態のオラクルの数ポイント以内で、固定されたオンボードカメラだけでは回避に適しています。
ジョイントCBFは、正確な球状態で最高の性能を示し、トレーニングガイダンスとしてのみ用いられる固定カメラ観測で劣化し、ボール追跡ジンバルまたは特権付きランタイムフィルタで回復する。
そこで我々は、Unitree G1上で軽量なLink-CBFポリシーをゼロショットで展開し、不完全な認識を許容し、95%のスローで成功し、セマンティックセグメンテーションを用いて異なる球のドッジを行う。
関連論文リスト
- DemoBridge: A Simulation-in-the-Loop Toolkit for Single-View Human Demonstration Retargeting [49.70827726228219]
このツールキットは、人間の手による実演のシングルビューRGBステレオ記録を、物理で検証可能なロボットアーム軌道に変換する。
DemoBridgeの中核は、衝突を意識した単一のプランナーである。
物理シミュレーターはループ内で動作し、生成した各フェーズを検証し、障害時にバックトラックするので、与えられたように再生できないデモは破棄されるのではなく、再計画される。
論文 参考訳（メタデータ） (2026-07-10T15:31:04Z) - Learning to Throw Objects Safely in Multi-Obstacle Environments [14.544049936179071]
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。
論文 参考訳（メタデータ） (2026-07-07T15:24:12Z) - CMP: Robust Whole-Body Tracking for Loco-Manipulation via Competence Manifold Projection [64.65196237023754]
Manifold Competence Projectionは、アウト・オブ・ディストリビューションの摂動に対する堅牢性を改善する。
我々は、無限水平安全制約を計算効率の良い単段多様体包含に変換するフレーム-ワイズ安全スキームを用いる。
実験により、CMPは典型的なOODシナリオで最大10倍の生存率向上を達成することが示された。
論文 参考訳（メタデータ） (2026-04-08T18:00:39Z) - GRAZE: Grounded Refinement and Motion-Aware Zero-Shot Event Localization [0.4306143768014156]
ラベル付きタックルトリミングの例を必要としないFPOCローカライゼーションのためのトレーニングフリーパイプラインを提案する。
738のタックル・プラクティス・ビデオでは、GRAZEは97.4%のクリップの有効出力を生成し、全クリップの77.5%と全クリップの82.7%で$pm$10フレームと$pm$20フレームでFPOCをローカライズする。
論文 参考訳（メタデータ） (2026-04-01T20:41:58Z) - Layered Safety: Enhancing Autonomous Collision Avoidance via Multistage CBF Safety Filters [18.386652442201665]
本稿では,ロバストで信頼性の高い層状安全フィルタを構築するための汎用的なエンドツーエンドフレームワークを提案する。
ロボット中心の点雲が与えられた場合、我々は、ポアソン安全関数(PSF)を合成するために使用される占有マップを構築することから始める。
PSFは2つの異なる安全濾過段階において制御バリア機能(CBF)として使用される。
論文 参考訳（メタデータ） (2026-02-27T22:19:45Z) - Learning Soccer Skills for Humanoid Robots: A Progressive Perception-Action Framework [50.6604971348824]
サッカーはヒューマノイドロボットにとって重要な課題であり、密に統合された知覚アクション機能を必要としている。
本稿では,サッカースキル獲得を3段階に分割するプログレッシブアーキテクチャであるパーセプション・アクション統合意思決定(PAiD)を提案する。
ユニトリーG1の実験では、多種多様な条件下で頑健な性能を持つ高忠実な人間のような蹴りが実証された。
論文 参考訳（メタデータ） (2026-02-05T05:05:03Z) - 3D Gaussian Splatting Driven Multi-View Robust Physical Adversarial Camouflage Generation [50.03578546845548]
物理敵攻撃法は、ディープニューラルネットワークの脆弱性を露呈し、自律運転のような安全クリティカルなシナリオに重大な脅威をもたらす。
カモフラージュをベースとした物理的な攻撃は、パッチベースの攻撃よりも有望なアプローチであり、複雑な物理的環境においてより強力な対逆効果を提供する。
本稿では,PGAと命名された3Dガウススティング(3DGS)に基づく物理的攻撃フレームワークを提案する。
論文 参考訳（メタデータ） (2025-07-02T05:10:16Z) - From Broadcast to Minimap: Achieving State-of-the-Art SoccerNet Game State Reconstruction [0.19748373512880277]
ゲーム・ステート・レコンストラクション(GSR)は、サッカーのフィールドプレーヤ、ゴールキーパー、審判員、その他全ての個人を正確に追跡し、ローカライズする。
この能力により、コーチやアナリストはプレイヤーの動き、チーム形成、ゲームダイナミクスに関する実用的な洞察を導き出すことができる。
単一カメラのセットアップを用いて,選手を一括して追跡する,堅牢なエンドツーエンドパイプラインを提案する。
論文 参考訳（メタデータ） (2025-04-08T18:10:44Z) - CLIP is Strong Enough to Fight Back: Test-time Counterattacks towards Zero-shot Adversarial Robustness of CLIP [54.660471826755234]
分類損失を最大化しようとする悪意のある摂動が、誤った画像に繋がることを示す。
本稿では,CLIPの事前学習したビジョンエンコーダを用いて,推論中の敵画像に対する攻撃を行い,ロバスト性を実現することを提案する。
私たちのパラダイムはシンプルで、トレーニング不要で、テスト時にCLIPを敵攻撃から防御する最初の方法を提供します。
論文 参考訳（メタデータ） (2025-03-05T15:51:59Z) - GCP: Guarded Collaborative Perception with Spatial-Temporal Aware Malicious Agent Detection [11.336965062177722]
協調的知覚は、悪意のあるエージェントからの敵対的なメッセージ攻撃に対して脆弱である。
本稿では,既存の単発外乱検出手法を損なう新しい盲検領域混乱(BAC)攻撃を明らかにする。
本稿では、空間的時間的認識による悪意のあるエージェント検出に基づくガード付き協調認識フレームワークを提案する。
論文 参考訳（メタデータ） (2025-01-05T06:03:26Z)
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。