論文の概要: Deformable Object Manipulation under Partial Observability via Real-Time Full-Shape Estimation
- arxiv url: http://arxiv.org/abs/2609.10308v1
- Date: Wed, 09 Sep 2026 15:17:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:09.078732
- Title: Deformable Object Manipulation under Partial Observability via Real-Time Full-Shape Estimation
- Title（参考訳）: 実時間全形状推定による部分観測可能性下における変形可能な物体操作
- Abstract要約: cRVAEは条件付きリカレント変分オートエンコーダであり、部分的なコーナーノード観測のみから完全なDO状態を推定する。
このモデルは、協調DO操作のための回帰水平最適制御フレームワークのフォワードモデルとして使用される。
- 参考スコア（独自算出の注目度）: 3.0399936132520566
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Manipulating deformable objects (DOs) is challenging due to their high-dimensional state space, underactuated dynamics, and partial observability. In this paper, we propose cRVAE, a lightweight conditional recurrent variational autoencoder that estimates the full DO state from only partial corner-node observations during inference. The resulting model is used as the forward model in a receding-horizon optimal control framework for obstacle-aware collaborative DO manipulation. In simulation on rope and fabric, cRVAE estimates the full DO state from the available corner-node measurements alone, matching the accuracy of a parameter-identified XPBD model. At inference it uses no physical parameters as model inputs and performs no online parameter identification. It also runs approximately 350 times faster on the rope and over 1500 times faster on the fabric per forward pass, keeping horizon-based planning within the 100 ms control budget where XPBD exceeds it already at short horizons. Full-shape estimation from corner sensing at in-loop speed is what makes the model deployable on hardware, which we demonstrate on a Unitree Go2 robot.
- Abstract（参考訳）: 変形可能な物体(DOs)の操作は、その高次元状態空間、不安定な力学、部分的可観測性のために困難である。
本稿では,部分角極観測のみから全DO状態を推定する軽量な条件付きリカレント変分オートエンコーダであるcRVAEを提案する。
得られたモデルは、障害物認識協調型DO操作のための後退水平最適制御フレームワークの前方モデルとして使用される。
ロープと布のシミュレーションにおいて、cRVAEは利用可能なコーナーノード測定のみから完全なDO状態を推定し、パラメータ同定XPBDモデルの精度と一致する。
推論では、物理パラメータをモデル入力として使用せず、オンラインパラメータ識別も行わない。
また、ロープで約350倍、フォワードパスあたり1500倍以上の速度で走行し、XPBDが既に短い水平線で上回っている100msの制御予算内で水平線ベースの計画を維持する。
ループ内速度でのコーナーセンシングによる全形状推定は、Unitree Go2ロボットで実証したハードウェア上でモデルをデプロイ可能にするものである。
関連論文リスト
- DAP-Pose: Deep Temporal Alignment and Physics-aware Cross-modal Sensor Fusion for Robust Pose Estimation [1.9537336589945413]
DAP-Poseは、堅牢なマルチモーダルポーズ推定のための統一されたエンドツーエンドモデルである。
BCFモジュールは、視覚、慣性、測定から意味的および幾何学的な動きの手がかりをキャプチャする。
DTAモジュールは非同期ストリームを遅延空間に整列させ、厳密なハードウェア同期なしにコヒーレントな動作モデリングを可能にする。
論文 参考訳（メタデータ） (2026-07-26T17:00:53Z) - Physics-Informed Reinforcement Learning of Spatial Density Velocity Potentials for Map-Free Racing [73.88859384645264]
Out-Of-Distribution (OOD) の様々なレーストラックへの一般化は、機械学習(ML)を用いて、エンドツーエンド制御のためのセンサデータと車両アクチュエーターの間の数学的関係を符号化する。
本稿では,非幾何学的,物理インフォームド報酬を用いた深度測定のスペクトル分布から非線形車両動特性をパラメータ化して,ニューラルネットワーク(ANN)による車両の時間最適・乗換レース制御を推定するDRL法を提案する。
このポリシーは、経験的なパセジカタイヤモデルに似たタイヤのダイナミックスで摩擦円を最大化することで、OODトラックの12%で人間のデモより優れています。
論文 参考訳（メタデータ） (2026-04-10T17:12:07Z) - Real-Time Oriented Object Detection Transformer in Remote Sensing Images [36.48263676876599]
本稿では,初のリアルタイム・エンドツーエンド指向オブジェクト検出装置であるリアルタイム指向オブジェクト検出変換器を提案する。
具体的には、角度の回帰を再構成するために、角度分布の微細化を提案する。
また、トレーニングを安定させ、4つのノイズモードを解析するために、指向性コントラストデノケーションを提案する。
論文 参考訳（メタデータ） (2026-03-16T16:28:31Z) - Bandwidth-adaptive Cloud-Assisted 360-Degree 3D Perception for Autonomous Vehicles [0.7557499794873328]
自動運転の鍵となる課題は、厳しいレイテンシの制約の下で、周囲の障害物に関するリアルタイムな状況認識を維持することである。
本稿では,V2X通信を利用して部分的にクラウドに処理をオフロードする手法を提案する。
提案手法では,トランスフォーマーモデルを用いて,マルチカメラセンサデータを総合的なBird's-Eye View(BEV)表現に融合する。
論文 参考訳（メタデータ） (2026-02-27T10:12:02Z) - LiQSS: Post-Transformer Linear Quantum-Inspired State-Space Tensor Networks for Real-Time 6G [85.58816960936069]
Sixth-Generation (6G) Open Radio Access Networks (O-RAN) における能動的およびエージェント的制御は、厳密なニアタイム(Near-RT)レイテンシと計算制約の下で制御グレードの予測を必要とする。
本稿では,効率的な無線テレメトリ予測のための変圧器後パラダイムについて検討する。
本稿では、自己アテンションを安定な状態空間動的カーネルに置き換える量子インスピレーション付き状態空間テンソルネットワークを提案する。
論文 参考訳（メタデータ） (2026-01-18T12:08:38Z) - Adaptive Model-Predictive Control of a Soft Continuum Robot Using a Physics-Informed Neural Network Based on Cosserat Rod Theory [2.7114475063296455]
本研究は、ドメイン分割物理インフォームドニューラルネットワーク(DD-PINN)に基づくSCRのためのリアルタイム対応非線形モデル予測制御(MPC)フレームワークを導入する。
シミュレーションでは、動的軌跡の正確な追跡と3mm以下の端点位置誤差によるセットポイント制御が示される。
実世界の実験では、コントローラーも同様の精度と加速を3.55 m/s2まで達成している。
論文 参考訳（メタデータ） (2025-08-18T07:24:36Z) - Event-Based Visual Odometry on Non-Holonomic Ground Vehicles [20.847519645153337]
イベントベースのビジュアルオドメトリーは、挑戦的な照明シナリオにおいて信頼性と堅牢性を示す。
提案アルゴリズムは車両の回転速度を正確に推定し,通常の条件下でのフレームベースセンサによるデルタ回転に匹敵する結果を得る。
論文 参考訳（メタデータ） (2024-01-17T16:52:20Z) - CabiNet: Scaling Neural Collision Detection for Object Rearrangement
with Procedural Scene Generation [54.68738348071891]
私たちはまず、さまざまな日常環境において、650万以上の散らばったシーン(前よりも桁違いに多い)を生成します。
このデータから合成部分点雲をレンダリングし、それをCabiNetモデルアーキテクチャのトレーニングに使用します。
CabiNetは、オブジェクトとシーンポイントの雲を受け入れる衝突モデルである。
論文 参考訳（メタデータ） (2023-04-18T21:09:55Z) - DeepIPC: Deeply Integrated Perception and Control for an Autonomous Vehicle in Real Environments [7.642646077340124]
本稿では,自動運転に適した新しいエンドツーエンドモデルであるDeepIPCを紹介する。
DeepIPCは知覚と制御タスクをシームレスに統合する。
本評価は,DeepIPCの乾燥性およびマルチタスク効率において優れた性能を示すものである。
論文 参考訳（メタデータ） (2022-07-20T14:20:35Z) - Lateral Ego-Vehicle Control without Supervision using Point Clouds [50.40632021583213]
既存の視覚に基づく横方向の車両制御に対する教師付きアプローチは、RGB画像を適切な操舵コマンドに直接マッピングすることができる。
本稿では、横方向の車両制御のための、より堅牢でスケーラブルなモデルをトレーニングするためのフレームワークを提案する。
オンライン実験により,本手法の性能は教師付きモデルよりも優れていることが示された。
論文 参考訳（メタデータ） (2022-03-20T21:57:32Z) - Layer Pruning on Demand with Intermediate CTC [50.509073206630994]
我々はコネクショニスト時間分類(CTC)に基づくASRの訓練と刈り取り方法を提案する。
本稿では,Transformer-CTCモデルをオンデマンドで様々な深さでプルーニングできることを示し,GPU上でのリアルタイム係数を0.005から0.002に改善した。
論文 参考訳（メタデータ） (2021-06-17T02:40:18Z) - InfoFocus: 3D Object Detection for Autonomous Driving with Dynamic
Information Modeling [65.47126868838836]
動的情報モデリングを用いた新しい3次元オブジェクト検出フレームワークを提案する。
粗い予測は、ボクセルベースの領域提案ネットワークを介して第1段階で生成される。
大規模なnuScenes 3D検出ベンチマークで実験を行った。
論文 参考訳（メタデータ） (2020-07-16T18:27:08Z)
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。