論文の概要: ForwardDLO: Model-Based Bimanual Shape Matching of Unconstrained Deformable Linear Objects

• arxiv url: http://arxiv.org/abs/2609.18455v2
• Date: Thu, 17 Sep 2026 17:37:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.761381
• Title: ForwardDLO: Model-Based Bimanual Shape Matching of Unconstrained Deformable Linear Objects
• Title（参考訳）: ForwardDLO:非拘束変形可能な線形物体のモデルベース2次元形状マッチング
• Abstract要約: ロープ、ケーブル、その他の変形可能な線形オブジェクトは、切断からケーブルのルーティング、縫合までタスクに現れる。 モデルに基づく形状制御を汎用的に研究する。 本稿では、この固定されていないバイマニュアル設定に対して、リカレント遅延力学モデルであるForwardDLOを提案する。
• 参考スコア（独自算出の注目度）: 12.045392054359551
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ropes, cables, and other deformable linear objects appear in tasks from untangling to cable routing and suturing, yet controlling their shape remains a challenge in robot manipulation. We study model-based shape control in a general setting: the object lies unfixated on a support surface and two arms may grasp and move it anywhere along its length. Because each arm chooses a grasp point, direction, and magnitude, the joint action space is combinatorially large, and the dynamics model's per-prediction cost bounds how much of it a planner can search. We present ForwardDLO, a recurrent latent dynamics model for this unfixated bimanual setting that predicts per-segment displacements grounded in the observed rope state at every step. Our model reaches accuracy comparable to more expensive baselines while containing no explicit segment-to-segment operations, which makes batched evaluation of candidate actions cheap. On open-loop prediction of real rope motion it reaches the lowest error of the learned models we evaluate, 13% below the strongest baseline. Within a fixed time budget it scores 8 to 22 times more candidate actions than models of comparable accuracy while matching them in real-world shape matching; and on a simulated routing task at a 30Hz control rate, this throughput converts into 98% task success versus at most 30% for the baselines at their own budgets. We release the model, code, and a dataset of 2.42 million simulated and 14,107 real rope transitions at https://anonymous.4open.science/r/ForwardDLO/
• Abstract（参考訳）: ロープ、ケーブル、その他の変形可能な線形物体は、切断からケーブルのルーティング、縫合までタスクに現れるが、ロボット操作では依然としてその形状を制御することが難しい。 対象物は支持面上に固定されず、2本の腕がそれをつかみ、その長さに沿って移動することができる。 それぞれのアームがグリップポイント、方向、大きさを選択するため、関節アクション空間は組合せ的に大きく、動的モデルの予測コストは、プランナーが探索できる量に制限される。 本稿では,各ステップで観測されたロープ状態に接地したセグメントごとの変位を予測できる,非固定バイマニュアル設定のための逐次潜時力学モデルForwardDLOを提案する。 我々のモデルは、より高価なベースラインに匹敵する精度に達するが、明示的なセグメント・ツー・セグメンテーション操作は含まないため、候補アクションのバッチ評価を安価に行うことができる。 実ロープ運動の開ループ予測では,評価した学習モデルの最小誤差に到達し,最強のベースラインより13%低い。 固定時間予算内では、実際の形状マッチングでマッチングしながら、同等の精度のモデルよりも8～22倍の候補アクションをスコアし、30Hzの制御レートでシミュレートされたルーティングタスクでは、このスループットは、自身の予算でベースラインの少なくとも30%に対して98%のタスク成功に変換される。 モデル、コード、および242万のシミュレーションと14,107の実際のロープ遷移のデータセットをhttps://anonymous.4open.science/r/ForwardDLO/でリリースします。

関連論文リスト

• DreamTrajectory: Trajectory-Guided Action Generation with World Model Alignment for Mobile Manipulation [33.046851310859495]
  本稿では,DreamTrajectoryについて述べる。 MS-HABでは、軌道誘導は平均的な成功率を32.3%から47.5%に引き上げ、テストタイムの改善を54.8%に引き上げている。 3つの実世界のモバイル操作タスクにおいて、対応する平均成功率は63.3%、81.7%、90.0%である。
  論文  参考訳（メタデータ） (2026-08-02T17:02:48Z)
• Explorative Modeling: Unlocking a Third Pretraining Axis and End-to-End Generation [89.51408170909548]
  トレーニングループを規定する新しいパラダイムであるExplorative Modelingを導入し、モデル世代とデータ間のK候補マッチングを探索し、最高のトレーニングを行う。 まず、探索の増加は、既存の生成モデルのためのパラメータとデータを超えた第3の事前学習軸を追加する。 第2に、XMは16-256倍の推論ステップで制御タスク上の拡散と一致する、エンドツーエンドの再構成生成モデリングを可能にする。
  論文  参考訳（メタデータ） (2026-07-29T18:25:17Z)
• KineBench: Benchmarking Embodied World Models via IDM-Free Kinematic Grounding [58.541098216700796]
  エンボディド・ワールド・モデルの 物理的整合性を評価することは 重要なオープン・チャレンジです 既存のフレームワークはほとんどがアクション抽出に逆ダイナミクスモデル(IDM)に依存している。 IDMのないEWMのためのクローズドループベンチマークであるKineBenchを紹介する。
  論文  参考訳（メタデータ） (2026-07-22T08:04:17Z)
• DemoBridge: A Simulation-in-the-Loop Toolkit for Single-View Human Demonstration Retargeting [49.70827726228219]
  このツールキットは、人間の手による実演のシングルビューRGBステレオ記録を、物理で検証可能なロボットアーム軌道に変換する。 DemoBridgeの中核は、衝突を意識した単一のプランナーである。 物理シミュレーターはループ内で動作し、生成した各フェーズを検証し、障害時にバックトラックするので、与えられたように再生できないデモは破棄されるのではなく、再計画される。
  論文  参考訳（メタデータ） (2026-07-10T15:31:04Z)
• Solve the Loop: Attractor Models for Language and Reasoning [4.8720589853137435]
  Looped Transformerは、純粋にフィードフォワード計算に代わる有望な代替手段を提供する。 本稿では、まず、バックボーンモジュールが出力の埋め込みを提案し、次にアトラクターモジュールが固定点を解くことでそれらを洗練するAttractor Modelsを紹介する。 本研究では,Attractor Modelsが,大規模言語モデル事前学習と推論という2つのレシエーションにおいて,既存モデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2026-05-12T17:51:26Z)
• Wiggle and Go! System Identification for Zero-Shot Dynamic Rope Manipulation [5.816977440415847]
  そこで本研究では,学習前のシミュレーションを利用して,目標条件付きロープの動的操作を通知する手法を提案する。 ゼロショットタスクロープ操作を可能にするシステム識別2段階フレームワークであるWiggle and Go!を紹介する。
  論文  参考訳（メタデータ） (2026-04-23T22:17:45Z)
• Detect Anything via Next Point Prediction [51.55967987350882]
  Rex-Omniは最先端の物体認識性能を実現する3BスケールのMLLMである。 COCOやLVISのようなベンチマークでは、Rex-Omniは回帰ベースのモデルに匹敵するパフォーマンスを得る。
  論文  参考訳（メタデータ） (2025-10-14T17:59:54Z)
• Learning to Track Any Points from Human Motion [55.831218129679144]
  点追跡のための擬似ラベル付きトレーニングデータを生成する自動パイプラインを提案する。 AnthroTAPでトレーニングされた点追跡モデルは、TAP-Vidベンチマークで注釈付き最先端性能を達成する。
  論文  参考訳（メタデータ） (2025-07-08T17:59:58Z)
• DIMM: Decoupled Multi-hierarchy Kalman Filter for 3D Object Tracking [50.038098341549095]
  状態推定は、高い操作性を持つ3次元物体追跡において困難である。 本稿では,各方向の異なる動きモデルから推定される推定を効果的に組み合わせる新しいフレームワークであるDIMMを提案する。 DIMMは既存の状態推定手法のトラッキング精度を31.61%99.23%向上させる。
  論文  参考訳（メタデータ） (2025-05-18T10:12:41Z)
• Data-Driven Approaches for Modelling Target Behaviour [1.5495593104596401]
  追跡アルゴリズムの性能は、対象の力学に関する選択されたモデル仮定に依存する。 本稿では,物体の動きを記述するために機械学習を利用する3つの異なる手法の比較研究を行う。
  論文  参考訳（メタデータ） (2024-10-14T14:18:27Z)

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。