論文の概要: INSPECT: Learning Robot View Selection from Assistant Use
- arxiv url: http://arxiv.org/abs/2609.20615v1
- Date: Thu, 17 Sep 2026 16:00:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:54.365198
- Title: INSPECT: Learning Robot View Selection from Assistant Use
- Title（参考訳）: INSPECT: アシスタント利用によるロボット視点選択の学習
- Abstract要約: INSPECTは、スマートグラスアシスタントの記録からロボットビューの好みを学習する。
ロボットは、現在の観察と既知のポーズのみを使用して、候補画像なしでビューを選択する。
- 参考スコア（独自算出の注目度）: 24.581955468715567
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Robots inspecting an assembly must determine which parts are present and whether they are correctly installed. During egocentric assembly assistance, head motion and workpiece handling reveal evidence for these checks, while spoken state confirmations link observations to procedural outcomes. We introduce INSPECT, which learns robot view preferences from records of a smart-glasses assistant that answers part queries and provides next-step guidance. Presence-Invariant TwinSwap (PI-TwinSwap) calibrates object evidence through paired identity interventions. Claim-indexed supervision separates evidence requirements from camera-reproducible observation changes. Object-centered calibration adapts relative view preferences to robot poses, while clause-level screening checks predicted evidence. The robot selects views using only its current observation and known poses, without candidate images. Evaluation uses annotated assistant-video replay to simulate state feedback, without target-domain view labels for policy training. On images of physical gearbox assemblies, INSPECT achieves the highest view utility among the compared non-oracle policies and raises human-rated full verifiability from 34.8% to 41.7% compared with keeping the current view. On commercial angle-grinder recordings in IMPACT, the transferred relative-view selector increases the correct decision rate from 50.6% to 54.3% with a frozen perception head. The source code is available at https://github.com/Kratos-Wen/INSPECT.
- Abstract（参考訳）: 組み立てを検査するロボットは、どの部品が存在するか、その部品が正しくインストールされているかを決定する必要がある。
エゴセントリックな組立支援の際、頭部運動と作業物処理はこれらのチェックの証拠を明らかにし、発話状態の確認は観察と手続き的な結果とを関連付ける。
InSPECTは、スマートグラスアシスタントの記録からロボットビューの好みを学習し、パートクエリに回答し、次のステップのガイダンスを提供する。
Presence-Invariant TwinSwap (PI-TwinSwap) は、ペアのアイデンティティの介入によってオブジェクトの証拠を校正する。
クレームインデックス付き監視は、証拠要求とカメラ再現可能な観察変更を分離する。
オブジェクト中心のキャリブレーションはロボットのポーズに相対的なビューの好みを適応させ、節レベルのスクリーニングは予測された証拠を検査する。
ロボットは、現在の観察と既知のポーズのみを使用して、候補画像なしでビューを選択する。
評価は、ポリシートレーニングのためのターゲットドメインビューラベルなしで、アノテートされたアシスタントビデオ再生を使用して状態フィードバックをシミュレートする。
物理ギアボックスアセンブリのイメージでは、INSPECTは比較された非視線ポリシーの中で最高のビューユーティリティを達成し、現在のビューを維持することと比較して、人間の評価の完全な妥当性を34.8%から41.7%に引き上げている。
IMPACTの商業用アングルグレーダー記録では、転送された相対ビューセレクタは、凍結した認識ヘッドで正しい判定率を50.6%から54.3%に向上させる。
ソースコードはhttps://github.com/Kratos-Wen/INSPECTで公開されている。
関連論文リスト
- AnyviewMeter: Adapting Robotic Reward Models with Camera Geometry and Multi-View Attention [35.358017813860535]
本稿では,ロボット報酬モデルのための幾何条件適応フレームワークであるAnyviewMeterを紹介する。
シングルビュー報酬予測とジョイントマルチビュー評価の両方をサポートする。
固定カメラと手首カメラの実際のタスクでは、絶対誤差は平均的なRGB微調整と比較して約21%減少する。
論文 参考訳（メタデータ） (2026-09-17T12:07:22Z) - ActiveScale: Scaling Active Perception for Robots across Model, Data, and Hardware [13.193347219526862]
コーディネートされたモデル、データ、ハードウェア設計を通じてアクティブな知覚を促進するフレームワークであるActiveScaleを紹介します。
我々のモデルは、フレーム単位のポーズトークンと軽量な予測ヘッドを用いて、歴史的ビデオ観察と明示的なカメラ目的の監視によりVLAを増強する。
さらに,アクティブ・パーセプション・モバイル・マニピュレーション・プラットフォーム(AMP)を紹介した。
論文 参考訳（メタデータ） (2026-09-16T11:46:40Z) - VBVR-Pro: A Scalable and Verifiable Suite for Native Visual Reasoning [133.66021945481876]
本稿では,視覚的推論生成をネイティブに制御可能にするテストベッドであるVBVR-Proを紹介する。
VBVR-Proは、視覚的推論を300の手続き的に生成されたタスク空間に変換する。
VLM-as-a-judgeパラダイムの繰り返し発生する障害モードを同定する。
論文 参考訳（メタデータ） (2026-08-26T17:59:51Z) - LIME: Learning Intent-aware Camera Motion from Egocentric Video [56.023644847494836]
自動回帰観測ゲイン出力と連続的なフローマッチングポーズヘッドを組み合わせた視覚言語カメラモーションジェネレータを提案する。
LIMEは、人間の受動的ビデオからカメラのポーズを積極的に選択し、通常の自我中心の録音を意図認識のアクティブな知覚の監督に変えることができる。
論文 参考訳（メタデータ） (2026-07-02T16:48:43Z) - Where Does the Answer Come From? Benchmarking View-Level Visual Evidence Identification in Multi-View MLLMs for Autonomous Driving [12.905518450115906]
本稿では,エビデンス・ソース識別評価のための多視点視覚質問応答ベンチマークを提案する。
ベンチマークには、73のシーンから122のコンフリクト中心の質問回答ペアが含まれている。
ビジュアルソースの識別を回答の正しさから明確に分離することで、ベンチマークは回答のみの評価が見逃す基礎的な失敗を露呈する。
論文 参考訳（メタデータ） (2026-06-08T15:39:06Z) - KnowU-Bench: Towards Interactive, Proactive, and Personalized Mobile Agent Evaluation [72.01173512175531]
KnowU-Benchはパーソナライズされたモバイルエージェントのためのオンラインベンチマークである。
42のGUIタスク、86のパーソナライズされたタスク、64のプロアクティブタスクをカバーしている。
明示的なタスク実行に優れるエージェントは、あいまいな指示の下で50%以下に低下する。
論文 参考訳（メタデータ） (2026-04-09T16:50:50Z) - Which Viewpoint Shows it Best? Language for Weakly Supervising View Selection in Multi-view Instructional Videos [66.1935609072708]
LangViewは、ビュー依存のキャプション予測の相対的精度を、擬似ラベルを最もよく見るためのプロキシとして利用するフレームワークである。
推論中、我々のモデルは多視点ビデオ(言語やカメラのポーズなし)のみを入力として、各タイミングで見るのに最適な視点を返します。
論文 参考訳（メタデータ） (2024-11-13T16:31:08Z) - ActFormer: Scalable Collaborative Perception via Active Queries [12.020585564801781]
協調的知覚は、複数のロボットからの豊かな視覚的観察を利用して、単一のロボットの知覚能力を視野を超えて拡張する。
本稿では,鳥の目視(BEV)表現を予め定義されたBEVクエリを用いて学習し,マルチロボットマルチカメラ入力と対話するトランスフォーマーActFormerを提案する。
V2X-Simデータセットの実験では、ActFormerが検出性能を29.89%から45.15%に改善し、約50%のクエリが削減された。
論文 参考訳（メタデータ） (2024-03-08T00:45:18Z) - Auditing AI models for Verified Deployment under Semantic Specifications [65.12401653917838]
AuditAIは、解釈可能な形式検証とスケーラビリティのギャップを埋める。
AuditAIは、画素空間の摂動のみを用いた検証の限界に対処しながら、検証と認定トレーニングのための制御されたバリエーションを得られるかを示す。
論文 参考訳（メタデータ） (2021-09-25T22:53:24Z) - Unsupervised Pretraining for Object Detection by Patch Reidentification [72.75287435882798]
教師なし表現学習は、オブジェクトディテクタの事前トレーニング表現で有望なパフォーマンスを実現します。
本研究では,オブジェクト検出のための簡易かつ効果的な表現学習手法であるパッチ再識別(Re-ID)を提案する。
私たちの方法は、トレーニングの反復やデータパーセンテージなど、すべての設定でCOCOの同等を大幅に上回ります。
論文 参考訳（メタデータ） (2021-03-08T15:13:59Z) - Learning a generative model for robot control using visual feedback [7.171234436165255]
本稿では,ロボット制御に視覚フィードバックを取り入れた新しい定式化を提案する。
モデルにおける推論により,特徴のターゲット位置に対応するロボット状態を推測することができる。
本研究では,不正確な制御を行うロボットに対して,握りとタイトな挿入を実行することで,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2020-03-10T00:34:01Z)
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。