Fugu-MT 論文翻訳(概要): Vision Guided Target Conditioned Control for Autonomous Excavation

論文の概要: Vision Guided Target Conditioned Control for Autonomous Excavation

arxiv url: http://arxiv.org/abs/2608.21778v1
Date: Sat, 22 Aug 2026 05:01:33 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-25 13:29:43.456699
Title: Vision Guided Target Conditioned Control for Autonomous Excavation
Title（参考訳）: 自律的掘削のための視覚誘導目標条件制御
Abstract要約: 本稿では, 物理に基づく変形性土壌シミュレーションワークフローにおいて, 自律掘削のための目標条件付き知的制御フレームワークを提案する。画像整列ターゲットマスクは、所望の掘削領域の視覚空間コマンドとして機能する。マスク条件のAction Chunking Transformerは、マルチビューRGB観察、プロプレセプション、ターゲットマスクを時間的に拡張されたジョイスティックコマンドにマッピングする。
参考スコア（独自算出の注目度）: 20.120726123812727
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Autonomous excavation requires an intelligent control system that can convert spatial work intent into coordinated bucket motion under contact-rich soil interaction. This paper presents a target-conditioned intelligent control framework for autonomous excavation in a physics-based deformable-soil simulation workflow. An image-aligned target mask serves as a visual spatial command for the desired digging region, while a mask-conditioned Action Chunking Transformer maps multi-view RGB observations, proprioception, and the target mask to temporally extended joystick commands. To reduce target-ignoring behavior, demonstrations are organized with paired-condition supervision, where the same or closely matched scene is demonstrated with different target masks and corresponding action chunks. The framework is evaluated through both a diagnostic manipulation task and an excavation simulation benchmark with single-scoop and sequential pile-clearing protocols. In manipulation, target success is 4\% for no-condition ACT, 63\% for non-paired mask-conditioned ACT, and 96\% for paired-condition mask-conditioned ACT. In sequential pile clearing, paired-condition mask-conditioned ACT removes 76.8\% of the pile versus 27.4\% and 15.7\% for the two baselines, with 91.0\% human-normalized efficiency. The results show that visual target conditioning, paired demonstration structure, and action-chunk control form a practical cyber-physical simulation pipeline for excavator automation.
Abstract（参考訳）: 自律的な掘削には、空間的な作業意図を接触に富んだ土壌相互作用の下で調整されたバケツの動きに変換するインテリジェントな制御システムが必要である。本稿では, 物理に基づく変形性土壌シミュレーションワークフローにおいて, 自律掘削のための目標条件付き知的制御フレームワークを提案する。画像整列ターゲットマスクは、所望の掘削領域の視覚空間コマンドとして機能し、マスク条件のアクションチャンキングトランスフォーマーは、多視点RGB観察、プロプレセプション、ターゲットマスクを時間的に拡張されたジョイスティックコマンドにマップする。目標無視行動を低減するために、同じ又は密にマッチしたシーンを異なるターゲットマスクと対応するアクションチャンクでデモするペア条件監視によってデモが組織される。このフレームワークは、診断操作タスクと、単一スクープおよびシーケンシャルパイルクリーニングプロトコルを用いた掘削シミュレーションベンチマークによって評価される。無条件ACTは4\%、非ペアマスク条件ACTは63\%、ペアマスク条件ACTは96\%である。シーケンシャルなパイルクリアでは、ペア条件のマスク条件ACTは2つのベースラインに対して76.8 %、27.4 %、および15.7 %を除去し、人間の正規化効率は91.0 %である。その結果、視覚的目標条件付け、ペア化デモ構造、アクション・チャンク制御が、掘削機自動化のための実用的なサイバー物理シミュレーションパイプラインを形成することが示された。

関連論文リスト

SWIM: Vision-Language-Grounded Soft Whole-Body Interactive Manipulation [16.77451640494332]
本稿では、最初のRGB観測と言語命令を完全なアクティベーションコマンドシーケンスにマッピングするフレームワークSWIMを提案する。ビジョン・ランゲージ・アクション(VLA)ポリシーであるSWIM-VLAは、RGB観測、言語指示、腱状態の共有表現を通じて、拡散アクションヘッドと視覚ソフト・プロプライオセプション(VSP)を組み合わせる。本研究は,平面型腱駆動型ソフトロボットにおけるSWIMのパッケージング,リーチ,グリーピングについて検討し,グリーティングターゲットを固定した。
論文参考訳（メタデータ） (2026-09-15T11:41:36Z)
SeGDeP: Semantic- and Geometric-Aware Decoupled Prompts for Reasoning Segmentation [51.46828526392219]
推論セグメンテーションは暗黙の言語学的結論を正確なマスクに変換する。既存のMLLMセグメンタインタフェースでは、特別なトリガーを使用するか、両方の信号を1つのコンテキストに圧縮する。明示的なWhat-whereインターフェースであるSeGDePを提示する。
論文参考訳（メタデータ） (2026-09-08T15:11:32Z)
WorldSimProbe: Diagnosing Simulator Faithfulness in Action-Conditioned World Models for Embodied Manipulation [85.15806404962193]
行動条件付き世界モデル(ACWM)は、計画、ポリシー評価、データ生成のためのスケーラブルな予測シミュレータを具現化したAIを提供することを約束する。物理シミュレータが期待する観測能力を用いてACWMを評価する。 WorldSimProbeは、制御のバリエーション、相互作用のグラウンディングにおける構造化された障害、ダイナミックスにまたがる、システマティックなアクション実現の劣化を明らかにする。
論文参考訳（メタデータ） (2026-08-10T08:48:06Z)
ACE: Agentic Control for Embodied Manipulation via Zero-shot Workflow Reasoning [32.18940485472935]
自然言語からのテーブルトップピック・アンド・プレースのためのゼロショットワークフロー推論フレームワークであるACEを紹介する。我々は,数立方体を用いたゼロショット多段方程式生成や制約に基づくオブジェクト検索など,論理的に複雑で長い水平タスクにおけるACEを評価する。
論文参考訳（メタデータ） (2026-07-05T08:07:42Z)
Sparse2Act: Learning Action-Aligned Sparse 3D Representations for Cross-Domain Robot Manipulation [52.00134393320209]
Sparse2Actは、スパースポイントクラウドエンコーダの事前学習のための観測・動作アライメントフレームワークである。マスク付きスパース3Dトークンは、観察と組み合わせたワークスペース運動の周囲のシーン特徴を整理するために訓練される。 LIBERO-10ベンチマークでは,500ステップの微調整を行い,平均86.9%の成功を達成した。
論文参考訳（メタデータ） (2026-06-10T23:56:01Z)
Phase-Conditioned Imitation Learning with Autonomous Failure Recovery for Robust Deformable Object Manipulation [5.524438437366922]
変形可能なオブジェクト操作のための位相条件付き力覚フレームワークを提案する。 FiLM条件のACTエンコーダは、現在のタスクフェーズに基づいて特徴抽出を変調する。視覚、力、ポーズフィードバックを融合させた多モード位相予測器は、視覚単独では見えない接触障害をリアルタイムで推定する。
論文参考訳（メタデータ） (2026-05-28T05:59:53Z)
VAM: Verbalized Action Masking for Controllable Exploration in RL Post-Training -- A Chess Case Study [44.343609587962874]
本稿では,アクションマスクをプロンプトで動詞化し,モデルがマスクセットからアクションを出力することを強制するVerbalized Action Masking (VAM)を提案する。我々は,VAMをチェスで学習し,エンジンの対戦相手と対戦して状態を生成するエンジンプレイシステムと,定位置データセットから検証器スコアでトレーニングする固定データセットシステムという,2つのトレーニング体制の下で評価する。
論文参考訳（メタデータ） (2026-02-18T19:56:43Z)
Bridge the Points: Graph-based Few-shot Segment Anything Semantically [79.1519244940518]
プレトレーニング技術の最近の進歩により、視覚基礎モデルの能力が向上した。最近の研究はSAMをFew-shot Semantic segmentation (FSS)に拡張している。本稿では,グラフ解析に基づく簡易かつ効果的な手法を提案する。
論文参考訳（メタデータ） (2024-10-09T15:02:28Z)
Defending From Physically-Realizable Adversarial Attacks Through Internal Over-Activation Analysis [61.68061613161187]
Z-Maskは、敵の攻撃に対する畳み込みネットワークの堅牢性を改善するための堅牢で効果的な戦略である。提示されたディフェンスは、入力画像中の対向対象に対応する画素を検出し、隠蔽するために、内部ネットワーク機能で実行される特定のZスコア解析に依存する。追加の実験では、Z-Maskは防衛対応攻撃に対して堅牢であることが示された。
論文参考訳（メタデータ） (2022-03-14T17:41:46Z)
Goal-Conditioned End-to-End Visuomotor Control for Versatile Skill Primitives [89.34229413345541]
本稿では,制御器とその条件をエンドツーエンドに学習することで,落とし穴を回避する条件付け手法を提案する。本モデルでは,ロボットの動きのダイナミックな画像表現に基づいて,複雑な動作シーケンスを予測する。代表的MPCおよびILベースラインに対するタスク成功の大幅な改善を報告した。
論文参考訳（メタデータ） (2020-03-19T15:04:37Z)

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。