論文の概要: Execution-Aware Pre-Execution Ranking for Grasp-Conditioned Robotic Placement
- arxiv url: http://arxiv.org/abs/2609.19946v1
- Date: Thu, 17 Sep 2026 09:18:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:54.199351
- Title: Execution-Aware Pre-Execution Ranking for Grasp-Conditioned Robotic Placement
- Title（参考訳）: Grasp-Conditioned Robotic Placement における実行前ランク付け
- Abstract要約: プレースメントは、計画前に供給された把握配置候補を得点する事前実行順位問題として定式化される。
このモデルは、タイプされたターゲット条件のポイントクラウドと、3つのポーズ記述子と階層的なヘッドを組み合わせて、計画の成功と計画に条件付けられた実行の成功を計画する。
- 参考スコア（独自算出の注目度）: 3.0847492739300546
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A geometrically valid placement can still be difficult to execute because the selected grasp changes the required end-effector pose, collision geometry, and transport motion. Placement is formulated as a pre-execution ranking problem in which supplied grasp-placement candidates are scored before planning. The model combines a typed target-conditioned point cloud with three pose descriptors and hierarchical heads for planning success and execution success conditioned on planning. On a 30-object, 1,235-scene dataset with scene-group-held-out splits, three-seed top-1 success on covered test groups reaches 85.63 +/- 1.08% for joint selection and 79.84 +/- 0.16% for fixed-target ranking. For the designated frozen seed-42 checkpoint, top-1 success improves from 72.84% to 85.78% over full-pool cuMotion for joint ranking and from 59.65% to 79.67% for fixed-target ranking. Frozen transfer to xArm7/MoveIt requires no xArm-specific retraining. Across 27 locked cases, 13 complete end to end (48.15%). Of the 16 cases that pass Top-5 preflight and begin execution, 13 succeed (81.25%). Candidate-level deployment-feasibility prediction reaches 81.25% recall, 85.20% specificity, and 83.23% balanced accuracy.
- Abstract（参考訳）: 選択したグリップが必要なエンドエフェクタポーズ、衝突幾何学、輸送運動を変化させるため、幾何的に有効な配置を実行することは依然として困難である。
プレースメントは、計画前に供給された把握配置候補を得点する事前実行順位問題として定式化される。
このモデルは、タイプされたターゲット条件のポイントクラウドと、3つのポーズ記述子と階層的なヘッドを組み合わせて、計画の成功と計画に条件付けられた実行の成功を計画する。
シーン群を分割した1,235シーンのデータセットでは、カバーされたテストグループでの3シードのトップ-1成功は、共同選択で85.63+/-1.08%、固定ターゲットランキングで79.84+/-0.16%に達する。
指定された冷凍種子42チェックポイントでは、トップ-1の成功率は72.84%から85.78%に改善され、フルプールのcuMotionはジョイントランキングで59.65%から79.67%に改善された。
xArm7/MoveItへの凍結転送は、xArm固有の再トレーニングを必要としない。
27件のロックケース、13件の完全なエンドツーエンド(48.15%)。
トップ5に合格して実行を開始した16例のうち、13例(81.25%)が成功した。
候補レベルの展開可能性予測は81.25%のリコール、85.20%の特異性、83.23%のバランスの取れた精度に達する。
関連論文リスト
- Hybrid Residual Reinforcement Learning for Contact-Rich Robotic Book Insertion [3.0847492739300546]
制御権限を既知の幾何学と学習行動に分割する方法について検討する。
提案手法は,構成された挿入・着座のための名目的なタスク空間コントローラを保有する一方,残余のPPOは局所的な補正を行う。
ハードウェア上での最終的なポリシーでは、512の固定条件に対する配置整合シミュレーションが98.50%の成功をもたらす。
論文 参考訳（メタデータ） (2026-09-17T09:34:29Z) - RobustSGPO: Search-Space Control for Agent Harness Evolution [56.722805974785125]
我々は、要求された編集、構成、パッチのチェックを指定し、既存のスナップショットまたは保持スナップショットからの検索を継続するRobustSGPOを紹介した。
我々は,120タスク,95ラン,7350の候補を用いて,AgentXブレインストーミングワークフローにおけるパーミッションスケジューリング,累積制御,タスクファミリー転送を評価した。
論文 参考訳（メタデータ） (2026-09-09T03:00:03Z) - When Compression Scores Cannot Decide: Information Boundaries for Group-Robust LLM Pruning [2.8699714648237387]
密度の高い調査では、分割半信頼パス四分法スコアは16.1%上昇し、選択されたエンドポイントは2つの制御よりも6.0-7.7%低下した。
我々は、最も供給の悪いグループがいつデプロイに気を配るのか、圧縮統計が正当化できるものは何なのかを尋ねる。
論文 参考訳（メタデータ） (2026-08-03T23:07:29Z) - Claim Plane: Reliability Gains and the Limits of Selective Concurrency for Parallel Coding Agents: A 30-Pair, Three-Seed Confirmatory Study of Deterministic Pre-Write Admission [1.4721615285883427]
Claim Plane氏は、この障害モードを、バージョン管理された変更意図に対する決定論的事前書込みとして扱う。
静的クレームプレーンは、制約のない並列実行の下でペアパスを23.3%から50.0%に引き上げた。
動的入院はより選択的であり、66.7%の紛争事件と13.3%のクリーンケースを連行したが、90件の処刑のうち46件は未宣言の範囲で閉鎖された。
論文 参考訳（メタデータ） (2026-08-02T02:56:49Z) - Action from Adjacent Set in Physical Space Outperforms the Best Prediction in World Models [8.565681503224214]
サンプリングと遅延ワールドモデルに基づくコントローラは、予測された端末コストを各候補アクションシーケンスに割り当て、最小限を選択し、最初のアクションブロックを実行し、再計画する。
このルールは、端末が物理的世界の真のタスク目標を完璧に正確に反映している場合でも失敗する可能性がある。
キューブ候補実行監査では、提案予算を72から288に増やすことで、最小遅延コストによる選択の可能性を低減する。
論文 参考訳（メタデータ） (2026-07-26T11:11:23Z) - Constrained Path Reasoning: Measuring When Committed Stages Earn Their Cost [2.9867974725783113]
Constrained Path Reasoning (CPR)は、ソース認識パス仮説とステージレベルの会計とをペアリングする。
CPRは、タスク互換のコミットメントは、移行を分解し、候補の質量を集中し、正規性を誘導し、そのゲインが宣伝されたエラーや実行コストを超えたときにフィードバックを公開することができると予測している。
論文 参考訳（メタデータ） (2026-07-19T13:11:18Z) - Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
PointArena 2026は77.2%の精度でベンチマークで2位である。
ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。
次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
論文 参考訳（メタデータ） (2026-06-29T06:39:03Z) - Knowledge Index of Noah's Ark [63.143852586221534]
KINAは,261分野にわたる899項目のベンチマークである。
ボーナス・オン・バートーナメントがFOSDを弱く支配していることを示す。
トップモデルであるGemini-3.1-Pro-Previewは53.17%、Claude-Opus-4.6は49.92%、GPT-5.4は48.55%に達した。
論文 参考訳（メタデータ） (2026-06-03T17:06:49Z) - Step-wise Rubric Rewards for LLM Reasoning [72.17879367869503]
RLVR(Reinforcement Learning with Verifiable Rewards)は、大規模言語モデルの推論を改善するために広く使われている。
正しい回答の18.2%は間違っているが、肯定的な報酬がある。
6つの数学的推論ベンチマークで、SRaRはRaRの平均精度を3.57ポイント改善した。
論文 参考訳（メタデータ） (2026-05-17T07:08:14Z) - Iterative Reasoning Preference Optimization [84.15992372132507]
生成したChain-of-Thought(CoT)候補間の嗜好を最適化するための反復的アプローチを開発する。
このスキームの繰り返し繰り返しにおける推論の改善を示す。
例えば、GSM8Kは55.6%から81.6%に大きく改善され、精度は88.7%となり、32のサンプルのうち多数が投票した。
論文 参考訳（メタデータ） (2024-04-30T17:28:05Z)
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。