論文の概要: Potential-Guided Particle Steering for Negation-Constrained Dexterous Grasping
- arxiv url: http://arxiv.org/abs/2609.00555v1
- Date: Tue, 01 Sep 2026 01:46:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-02 16:31:36.199104
- Title: Potential-Guided Particle Steering for Negation-Constrained Dexterous Grasping
- Title（参考訳）: 誘電性粒子ステアリングによる磁束拘束型デクスタースグレーピング
- Authors: Geonho Kim, SooGon Kim, Jongmin Lee,
- Abstract要約: 否定制約付きデキスタラスグルーピングのための推論時フレームワークを提案する。
提案手法は,禁止領域に向かう候補を刈り取っている間,指示部に向かってサンプリングを行う。
凍結した3D部分接地モデルは、禁止領域を言語命令からローカライズする。
- 参考スコア（独自算出の注目度）: 7.053547426611705
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Language-driven dexterous grasp models, such as DextER, perform well when instructions specify where to grasp, but we find they fail systematically when an instruction also specifies where not to grasp (e.g., "grasp the handle but avoid the body"). Existing training corpora, DexGYSNet among them, contain virtually no avoidance instructions, and collecting examples for every possible constraint is impractical. Moreover, because every part mentioned during training denotes a contact target, models may interpret a forbidden part as another region to grasp rather than one to avoid. We therefore introduce an inference-time framework for negation-constrained dexterous grasping that requires no negation-specific training examples. Combining Sequential Monte Carlo with classifier-free guidance, our method guides sampling toward the instructed part while pruning candidates headed for the forbidden region, without any negation examples during training. A frozen 3D part-grounding model localizes the forbidden region from the language instruction. To evaluate this setting, we construct NegGrasp, a benchmark of paired positive/negative instructions with constraint-aware metrics that credit a grasp only if it both accomplishes the task and respects the stated constraint. On NegGrasp, our method reduces the violation rate of the strongest baseline from 57.9% to 17.2% while improving both constraint-aware and physical success.
- Abstract（参考訳）: DextERのような言語駆動の器用なグリップモデルでは、命令がどこでつかむかを指定するとうまく機能するが、命令がどこでつかむかを指定すると、体系的に失敗する(例:「ハンドルを握るが体を避ける」)。
既存のトレーニングコーパスであるDexGYSNetは、回避命令をほとんど含んでおらず、あらゆる制約のサンプルを収集することは現実的ではない。
さらに、トレーニング中に言及された全ての部分が接触目標を示すため、モデルは禁止された部分を回避すべきものではなく、別の領域として解釈することができる。
そこで我々は,否定に制約のあるデクスタラスグルーピングのための推論時フレームワークを導入し,否定固有のトレーニング例を必要としない。
連続モンテカルロ法と無分類誘導法を組み合わせることで,訓練中の否定例を伴わずに,禁止地域に向かう候補者を選抜しながら,指示部に向かってサンプリングを行う。
凍結した3D部分接地モデルは、禁止領域を言語命令からローカライズする。
この設定を評価するために、NegGraspという、制約を意識したメトリクスとペアの正/負の指示のベンチマークを構築し、それがタスクを達成し、記述された制約を尊重する場合にのみ、把握を信用する。
NegGraspでは,最強ベースラインの違反率を57.9%から17.2%に削減し,制約認識と物理的成功の両面で改善した。
関連論文リスト
- The Sound of Absence: Audio-Language Embedding Models Struggle with Negation [58.04745279785462]
埋め込みモデルは、否定された音のコンセプトを符号化できないことを示す。
データセットを2つの否定対応タスクに変換するフレームワークであるNegEval-Audioを紹介した。
論文 参考訳（メタデータ） (2026-07-14T02:55:00Z) - Forgetting Has Neighbors: Localized Collateral Forgetting in Machine Unlearning [28.628342735283752]
機械学習は、選択したトレーニング例の影響を、完全なリトレーニングなしで除去することを目的としている。
標準的な評価では、未学習の質を、正確さや忘れることに基づくスコアなどの集約されたメトリクスで要約することが多い。
本研究では,非学習モデルと削除後のモデルの再学習モデルとの比較により,この故障モードを例レベルで検討する。
論文 参考訳（メタデータ） (2026-05-29T13:48:06Z) - Self-Distilled Trajectory-Aware Boltzmann Modeling: Bridging the Training-Inference Discrepancy in Diffusion Language Models [65.89572755202245]
拡散言語モデル(DLM)は、より強力なグローバル認識と高い並列生成を提供する。
標準負のエビデンス下界(NELBO)に基づく教師付き微調整後のDLMは非効率である。
そこで本研究では,学習を推論の容易かつハードな構造に整合させる,自己蒸留軌道に基づくポストトレーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-12T09:39:06Z) - Mastering Negation: Boosting Grounding Models via Grouped Opposition-Based Learning [87.15765427638195]
D-Negationは、ポジティブな意味記述とネガティブな意味記述の両方で注釈付けされたオブジェクトを提供する新しいデータセットである。
本稿では,限られたサンプルから否定認識表現を学習する,反抗型学習フレームワークを提案する。
モデルパラメータの10%未満を微調整することにより、正および負のセマンティック評価において最大4.4mAPおよび5.7mAPの改善が達成される。
論文 参考訳（メタデータ） (2026-03-13T03:21:48Z) - SpaceVLM: Sub-Space Modeling of Negation in Vision-Language Models [17.194017001016135]
視覚言語モデルの埋め込み空間は意味的に一貫した部分空間に分割できることを示す。
単一点ではなく結合埋め込み空間における部分空間として否定をモデル化する学習自由フレームワークを提案する。
提案手法は,従来手法よりも平均約30%の否定的理解を向上する。
論文 参考訳（メタデータ） (2025-11-15T19:18:40Z) - Do What? Teaching Vision-Language-Action Models to Reject the Impossible [53.40183895299108]
VLA(Vision-Language-Action)モデルは、さまざまなロボットタスクにおいて強力なパフォーマンスを示している。
Instruct-Verify-and-Act(IVA)を提案する。
実験の結果,IVAはベースラインよりも97.56%の精度で虚偽の前提検出精度を向上させることがわかった。
論文 参考訳（メタデータ） (2025-08-22T10:54:33Z) - Negation-Aware Test-Time Adaptation for Vision-Language Models [26.043679706381646]
視覚言語モデル(VLM)における実用的だが触覚の少ない問題について検討する。
多くの現実世界のアプリケーションは、偽物や存在しないものを明確に識別するためにモデルを必要とする。
本研究では,推論中の分布関連パラメータを効率的に調整するNegation-Aware Test-Time Adaptation (NEAT)法を提案する。
論文 参考訳（メタデータ） (2025-07-25T08:25:48Z) - Learning What to Do and What Not To Do: Offline Imitation from Expert and Undesirable Demonstrations [10.679604514849744]
我々は、データセットが専門家と望ましくない実証の両方を含む対照的な行動からオフラインの模倣学習を研究する。
本稿では,KLの相違点を専門家と望ましくない(あるいは悪い)データの状態-行動的訪問分布に対して最適化する新しい定式化を提案する。
本手法は, 対人訓練を回避し, 統一フレームワークにおける正と負の両方の実証処理を行う。
論文 参考訳（メタデータ） (2025-05-27T13:33:21Z) - Instruction Following without Instruction Tuning [87.72635104686275]
命令チューニングに比較して不十分な2種類の適応(チューニング)があるが、それでも命令に従うことができる。
我々は、事前訓練されたモデルを用いて、エキスパート製品における指示に従うルールベースの言語モデルを手書きで支援する。
論文 参考訳（メタデータ） (2024-09-21T22:36:22Z) - ScoNe: Benchmarking Negation Reasoning in Language Models With
Fine-Tuning and In-Context Learning [28.89678790858097]
我々は、ScoNe-NLIを用いて、微調整および文脈内学習戦略を評価する。
In-context Learningでは、インストラクトGPTモデルをテストし、ほとんどの迅速な戦略が成功していないことを確認する。
短い物語に否定的推論を埋め込んだ文補完テストセットであるScoNe-NLGでScoNeを拡張した。
論文 参考訳（メタデータ） (2023-05-30T21:43:11Z)
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。