論文の概要: Particle-Based Conformal Prediction for Contact-Aware Uncertainty Calibration in Stratified Configuration Spaces

• arxiv url: http://arxiv.org/abs/2608.09166v1
• Date: Mon, 10 Aug 2026 06:22:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.10305
• Title: Particle-Based Conformal Prediction for Contact-Aware Uncertainty Calibration in Stratified Configuration Spaces
• Title（参考訳）: 成層空間における接触認識不確かさ校正のための粒子形状予測
• Authors: Luís Marques, Kristian Popov, Dmitry Berenson,
• Abstract要約: 半次元不確かさ表現(CaPTURe)のための校正粒子集合を提案する。 CaPTUReは、任意の忠実度の粒子モデルを用いて、未知の将来のシステム構成の確率論的に有効な予測領域を生成する。 本手法は,ラビリンス周囲の大理石を制御し,マニピュレータを用いた高耐圧ペグインホール挿入を行う2つのシミュレーション計画課題について評価した。
• 参考スコア（独自算出の注目度）: 9.883377782603285
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reliable uncertainty representation is essential for deploying autonomous systems that interact with their environment, as robots must reason about how uncertainty arising from both stochasticity and model mismatch is impacted by contacts with obstacles (e.g., when navigating through a cluttered environment or inserting a part into an assembly). We propose Calibrated Particle-sets for Trans-dimensional Uncertainty Representation (CaPTURe), a geometry-aware, conformal prediction-based algorithm that generates probabilistically valid prediction regions of the unknown future system configuration using particle-based models of arbitrary fidelity. While calibrated uncertainty predictions are essential for safe and efficient planning, analytical or learned motion models are often inaccurate - due to limited data, simplifying assumptions, unmodeled effects, etc. - which can lead to unsafe executions or task failure. Additionally, when a robot contacts an obstacle, the distribution of its future configurations can become multimodal or disjoint, or lie along manifolds of lower intrinsic dimension than the space of possible robot configurations. Our method uses a calibration dataset of system transitions to locally calibrate motion uncertainty estimates, constructing regions guaranteed to contain the future robot configuration at a user-set probability. Our calibration procedure captures how motion uncertainty varies between contact-rich and contactless motions, leading to sufficient coverage in both cases. We evaluate our method on two simulated planning tasks: controlling a marble around a labyrinth and performing tight-tolerance peg-in-hole insertion with a manipulator. Compared to relevant baselines, CaPTURe achieves the user-specified coverage requirement both in and out of contact and achieves up to a 30% absolute improvement in task success rate over the best baseline.
• Abstract（参考訳）: ロボットは、確率性とモデルミスマッチの両方から生じる不確実性が、障害物との接触(例えば、散在した環境をナビゲートしたり、組み立てに部品を挿入する場合)によってどの程度影響するかを判断する必要があるため、環境と相互作用する自律システムを展開するには、信頼性の高い不確実性表現が不可欠である。 任意の不確実性の粒子モデルを用いて、未知の将来のシステム構成の確率論的に有効な予測領域を生成する幾何学的、共形予測に基づくアルゴリズムCaPTUReを提案する。 校正された不確実性予測は安全で効率的な計画に不可欠であるが、分析的または学習された動作モデルは、限られたデータ、仮定の単純化、非モデル化効果などによって、しばしば不正確である。 安全でない実行やタスクの失敗につながる可能性がある。 さらに、ロボットが障害物に接触すると、その将来の構成の分布は多様あるいは不連続になりうるし、また、ロボット構成の空間よりも内在次元の低い多様体に沿って横たわることもある。 提案手法では,システム遷移のキャリブレーションデータセットを用いて,動作不確実性推定を局所的にキャリブレーションし,将来のロボット構成をユーザ設定の確率で含むことを保証した領域を構築する。 キャリブレーション法では, 接触に富む動きと接触しない動きの間に運動の不確実性がどう変化するかが観察され, 双方の症例で十分なカバレッジが得られた。 本手法は,ラビリンス周囲の大理石を制御し,マニピュレータを用いた高耐圧ペグインホール挿入を行う2つのシミュレーション計画課題について評価した。 関連するベースラインと比較して、CaPTUReは、コンタクト内および外部の両方でユーザ指定のカバレッジ要件を達成し、最高のベースラインよりもタスク成功率を最大30%向上させる。

関連論文リスト

• Local Conformal Calibration of Dynamics Uncertainty from Semantic Images [11.10792616622245]
  観測対応コンフォーマル不確実性局所校正(OCular)について紹介する。 OCcularは、認識情報を用いて不確実な定量化を保証する共形予測に基づくアルゴリズムである。 ランダムな摂動と有意なモデルミスマッチを考慮した二重積分器システムにおいて,本アルゴリズムの有効性を検証した。
  論文  参考訳（メタデータ） (2026-05-13T05:33:42Z)
• Gaussian Mixture-Based Inverse Perception Contract for Uncertainty-Aware Robot Navigation [14.159772216001954]
  逆知覚契約(IPC)は、信頼度の高い基底真理を含む集合に推定値をマッピングすることでそのような接続を提供する。 本稿では,ガウス混合に基づく逆知覚契約(GM-IPC)を導入する。 この不確実性の特徴は、下流の計画フレームワークでリアルタイム安全なナビゲーションに活用できることが示されている。
  論文  参考訳（メタデータ） (2026-03-04T17:48:18Z)
• Lies We Can Trust: Quantifying Action Uncertainty with Inaccurate Stochastic Dynamics through Conformalized Nonholonomic Lie Groups [18.20843415651297]
  コンフォーマルリー群行動予測セット(Conformal Lie-group Action Prediction Sets)は、対称性を考慮した共形予測に基づくアルゴリズムである。 我々は、リー群を用いて構成誤差を厳密に解析し、以前のユークリッド空間の理論的保証をSE(2)まで拡張する。 シミュレーションされたJetBotと実のMBotを用いた実験により, 対称性に反する非整合性スコアがより体積効率のよい予測領域につながることが示唆された。
  論文  参考訳（メタデータ） (2025-12-11T05:26:56Z)
• Know Where You're Uncertain When Planning with Multimodal Foundation Models: A Formal Framework [54.40508478482667]
  認識と計画生成の不確実性を解消し、定量化し、緩和する包括的枠組みを提案する。 本稿では,知覚と意思決定の独特な性質に合わせた手法を提案する。 この不確実性分散フレームワークは, 変動率を最大40%削減し, タスク成功率をベースラインに比べて5%向上させることを示した。
  論文  参考訳（メタデータ） (2024-11-03T17:32:00Z)
• Safe motion planning with environment uncertainty [1.4824891788575418]
  本稿では,ロボットの状態と環境の不確実性を考慮した安全な運動計画手法を提案する。 我々はまず,ロボットのローカライゼーションにおける画期的な不確実性を考慮したアプローチを開発する。 次に、衝突確率の正確な式を計算することにより、最先端の手法を拡張する。
  論文  参考訳（メタデータ） (2023-05-10T09:29:41Z)
• Distributional Instance Segmentation: Modeling Uncertainty and High Confidence Predictions with Latent-MaskRCNN [77.0623472106488]
  本稿では,潜在符号を用いた分散インスタンス分割モデルのクラスについて検討する。 ロボットピッキングへの応用として,高い精度を実現するための信頼性マスク手法を提案する。 本手法は,新たにリリースした曖昧なシーンのデータセットを含め,ロボットシステムにおける致命的なエラーを著しく低減できることを示す。
  論文  参考訳（メタデータ） (2023-05-03T05:57:29Z)
• Probabilities Are Not Enough: Formal Controller Synthesis for Stochastic Dynamical Models with Epistemic Uncertainty [68.00748155945047]
  複雑な力学系のモデルにおける不確実性を捉えることは、安全なコントローラの設計に不可欠である。 いくつかのアプローチでは、安全と到達可能性に関する時間的仕様を満たすポリシーを形式的な抽象化を用いて合成する。 我々の貢献は、ノイズ、不確実なパラメータ、外乱を含む連続状態モデルに対する新しい抽象的制御法である。
  論文  参考訳（メタデータ） (2022-10-12T07:57:03Z)
• An Integrated Localisation, Motion Planning and Obstacle Avoidance Algorithm in Belief Space [1.3535770763481902]
  ノイズセンサとアクティベーションエラーは、環境の特徴を推定しながら導入されたエラーと重なり合う。 本稿では,ロボットの状態推定にこれらの不確実性を取り入れた新しい手法を提案する。 推定ロボット構成に関する衝突確率を計算する。
  論文  参考訳（メタデータ） (2021-01-27T17:47:45Z)
• Localization Uncertainty Estimation for Anchor-Free Object Detection [48.931731695431374]
  アンカーベース物体検出のための既存の不確実性推定手法にはいくつかの制限がある。 アンカーフリー物体検出のためのUADと呼ばれる新しい位置推定不確実性推定手法を提案する。 本手法は,ボックスオフセットの4方向の不確かさを均一に捉え,どの方向が不確実であるかを判断する。
  論文  参考訳（メタデータ） (2020-06-28T13:49:30Z)

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。