論文の概要: Robust Validation to Geometric Perturbations for Autonomous Pose Estimation

• arxiv url: http://arxiv.org/abs/2608.21066v1
• Date: Fri, 21 Aug 2026 13:08:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-24 14:49:32.549086
• Title: Robust Validation to Geometric Perturbations for Autonomous Pose Estimation
• Title（参考訳）: 自動姿勢推定のための幾何学的摂動に対するロバスト検証
• Abstract要約: 視覚に基づくナビゲーションと自律着陸では、機械学習コンポーネントは動的操作条件下で厳格な検証を必要とする。 標準勾配に基づくポーズ推定は、ポーズ推定に失敗し、しばしば単純なランダムサンプリングベースラインよりも悪いパフォーマンスを示す。 我々はGLO(Global Lipschitzian)におけるロバストネス推定を再構成する。 これは、幾何学的検証を連続キーポイント回帰とディープオブジェクト検出に拡張する最初の研究である。
• 参考スコア（独自算出の注目度）: 0.8062121966457854
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deploying autonomous systems in safety-critical domains demands guaranteed robustness against physically plausible geometric perturbations rather than abstract pixel-wise noise. In vision-based navigation and autonomous landing, machine learning components require rigorous validation under dynamic operational conditions such as camera rotations and lighting shifts. Extending findings on the failure of first-order spatial attacks in classification, we show that standard gradient-based heuristics (e.g. APGD) similarly fail on for pose estimation, often performing worse than a simple random sampling baseline. To overcome these optimization bottlenecks, we reformulate pose estimation robustness within the framework of Global Lipschitzian Optimization (GLO). We argue that GLO offers a principled approach to robust validation, effectively localizing global optima with strong theoretical convergence guarantees. We evaluate this framework on a YOLOv8-Pose keypoint detector with a Perspective-n-Point (PnP) solver against rotation and contrast. In our evaluations, GLO successfully isolates critical failure modes where position deviations exceed safe operational limits, while rapidly pruning the search space by over 80%. To the best of our knowledge, this is the first study to extend geometric robustness validation to continuous keypoint regression and deep object detection, establishing a practical step toward certifying robust autonomous perception.
• Abstract（参考訳）: 安全クリティカルな領域に自律システムを展開するためには、抽象的なピクセルワイドノイズではなく、物理的に妥当な幾何学的摂動に対する堅牢性を保証する必要がある。 視覚に基づくナビゲーションと自律着陸では、機械学習コンポーネントは、カメラの回転や照明シフトといった動的な操作条件下で厳密な検証を必要とする。 分類における一階空間攻撃の失敗について, 標準勾配に基づくヒューリスティックス(例えば APGD)も同様にポーズ推定に失敗し, 多くの場合, 単純なランダムサンプリングベースラインよりも悪い結果が得られた。 これらの最適化ボトルネックを克服するため、GLO(Global Lipschitzian Optimization)の枠組みにおいて、ポーズ推定のロバスト性を変更する。 我々は、GLOがロバストな検証に原則化されたアプローチを提供し、強力な理論的収束を保証することで、グローバルな最適性を効果的にローカライズする、と論じる。 我々は、このフレームワークを、回転とコントラストに対するパースペクティブn-Point(PnP)ソルバを備えたYOLOv8-Poseキーポイント検出器上で評価する。 本評価では, 位置ずれが安全な操作限界を超えながら, 探索空間を80%以上急激に切断し, 臨界故障モードの分離に成功した。 我々の知る限りでは、これは幾何学的ロバスト性検証を連続キーポイント回帰とディープオブジェクト検出に拡張する最初の研究であり、ロバストな自律的知覚を認証するための実践的なステップを確立します。

関連論文リスト

• Gradient-Free Neural Hamilton-Jacobi Reachability for Scalable Safety-Critical Control [6.387263468033964]
  Hamilton-Jacobi (HJ) の到達性は、安全証明書と安全クリティカルなロボットシステムのための堅牢なコントローラを合成するための原則化されたフレームワークを提供する。 高次元非線形系への到達可能性解析の適用は依然として困難である。 本稿では,制御分散アフィンシステムのための離散時間ニューラルリーチビリティフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-09-12T18:03:51Z)
• Hybrid Robustness Verification for Spatio-Temporal Neural Networks [19.026662893450425]
  既存の検証方法は、過度に保守的な近似や不正な計算コストに依存している。 実際には、対向摂動は、低次元、意味論的に意味のある部分空間に制約された、構造化された空間的および時間的相関を示す。 動作認識(UCF-101)、自律運転(Udacity)、医用画像(MedMNIST)の用途を対象として、3次元CNNによる映像入力のロバスト性検証を行う。
  論文  参考訳（メタデータ） (2026-06-08T17:06:51Z)
• Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
  Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。 NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
  論文  参考訳（メタデータ） (2026-05-21T16:45:31Z)
• Too Correct to Learn: Reinforcement Learning on Saturated Reasoning Data [55.84428098924793]
  構造保存探索を行うためのパラメータ自由復号法である Constrained Uniform Top-K Smpling (CUTS) を提案する。 グループ内の利点分散を増幅するために、エクスプロイトと探索的なロールアウトを相乗化するためのトレーニングフレームワークであるMixed-CUTSに統合する。 特にMixed-CUTSは、AIME25ベンチマークのPass@1の精度を標準のGRPOよりも15.1%向上している。
  論文  参考訳（メタデータ） (2026-04-20T16:43:28Z)
• AnchorRefine: Synergy-Manipulation Based on Trajectory Anchor and Residual Refinement for Vision-Language-Action Models [60.04879435087352]
  視覚言語アクション(VLA)ポリシーは、単一の統一空間内でアクションを生成する。 本稿では,VLAの動作モデリングを軌跡アンカーと残留精細化に分解する階層的フレームワークであるAnchorRefineを提案する。 LIBERO、CALVIN、および実ロボットタスクの実験では、AnchorRefineは回帰ベースと拡散ベースの両方のVLAバックボーンを一貫して改善している。
  論文  参考訳（メタデータ） (2026-04-20T04:25:24Z)
• OmniVL-Guard: Towards Unified Vision-Language Forgery Detection and Grounding via Balanced RL [63.388513841293616]
  既存の偽造検出手法は、現実世界の誤報に多いインターリーブされたテキスト、画像、ビデオを扱うのに失敗する。 このギャップを埋めるため,本論文では,オムニバス・ビジョン言語による偽造検出と接地のための統一フレームワークの開発を目標としている。 我々は、OmniVL-Guardという、オムニバス視覚言語による偽造検出と接地のためのバランスの取れた強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-11T09:41:36Z)
• DDSA: Dual-Domain Strategic Attack for Spatial-Temporal Efficiency in Adversarial Robustness Testing [15.584123527129146]
  現在の対向ロバスト性試験法は、フレーム単位の徹底的な処理とフルイメージの摂動を必要とする。 本稿では,時間的選択性と空間的精度の検証を最適化する資源効率の高い対向ロバスト性試験フレームワークを提案する。 我々の二重ドメインアプローチは、攻撃効率を維持しながら、時間空間資源の大幅な保全を実現する。
  論文  参考訳（メタデータ） (2026-01-18T03:14:22Z)
• ETR: Outcome-Guided Elastic Trust Regions for Policy Optimization [6.716883192613149]
  textbfElastic textbfTrust textbfETRを提案する。 ETRはGRPOを一貫して上回り、より優れた精度を実現し、政策エントロピー劣化を効果的に緩和する。
  論文  参考訳（メタデータ） (2026-01-07T09:19:53Z)
• STORI: A Benchmark and Taxonomy for Stochastic Environments [2.8825582215429186]
  Reinforcement Learning (RL)技術は、Atari100kのようなシミュレーションベンチマークで素晴らしいパフォーマンスを達成した。 現実のシステムはノイズの多い観測、予測不可能な力学、非定常状態を含むため、中心的な障害は環境性である。 本稿では,環境の包括的5種類の分類法を提案し,最先端のモデルベースRLアルゴリズムの系統的脆弱性を実証する。
  論文  参考訳（メタデータ） (2025-09-01T21:43:22Z)
• Neighbor-Aware Calibration of Segmentation Networks with Penalty-Based Constraints [19.897181782914437]
  本稿では,ロジット値の等式制約に基づく基本的かつ単純な解を提案し,強制制約と罰則の重みを明示的に制御する。 我々のアプローチは、広範囲のディープセグメンテーションネットワークのトレーニングに利用できる。
  論文  参考訳（メタデータ） (2024-01-25T19:46:57Z)
• Log Barriers for Safe Black-box Optimization with Application to Safe Reinforcement Learning [72.97229770329214]
  本稿では,学習時の安全性維持が不可欠である高次元非線形最適化問題に対する一般的なアプローチを提案する。 LBSGDと呼ばれるアプローチは、慎重に選択されたステップサイズで対数障壁近似を適用することに基づいている。 安全強化学習における政策課題の違反を最小限に抑えるためのアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2022-07-21T11:14:47Z)
• Policy Smoothing for Provably Robust Reinforcement Learning [109.90239627115336]
  入力のノルム有界対向摂動に対する強化学習の証明可能な堅牢性について検討する。 我々は、スムーズなポリシーによって得られる全報酬が、入力の摂動のノルムバウンドな逆数の下で一定の閾値以下に収まらないことを保証した証明書を生成する。
  論文  参考訳（メタデータ） (2021-06-21T21:42:08Z)

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。