論文の概要: DeViGrasp: Robust Visual Mobile Grasping for Quadruped Manipulators under Degraded Perception
- arxiv url: http://arxiv.org/abs/2609.22278v1
- Date: Sat, 12 Sep 2026 12:44:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 01:00:18.019086
- Title: DeViGrasp: Robust Visual Mobile Grasping for Quadruped Manipulators under Degraded Perception
- Title（参考訳）: DeViGrasp: 劣化知覚下での擬似マニピュレータのロバストなビジュアルモバイルグラッピング
- Abstract要約: DeViGrasp-Benchは、劣化した視覚下でのモバイルグルーピングのためのベンチマークである。
DeViGrasp-Netは、状態条件の把握推論と信頼性を考慮した時間的目標推定を組み合わせたフレームワークである。
- 参考スコア（独自算出の注目度）: 4.247787444610151
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quadruped manipulators enable mobile grasping in complex environments, yet their whole-body control policies remain vulnerable to unreliable onboard visual perception. Existing methods are typically developed under relatively reliable observations and have not systematically examined how occlusion, segmentation-mask dropout, depth noise, and target-localization jitter affect grasp reasoning and target tracking. To address this gap, we introduce DeViGrasp-Bench, a benchmark for mobile grasping under degraded vision that incorporates controlled visual degradations, seen and unseen objects, multiple difficulty levels, and complex terrains, and evaluates task success, execution efficiency, and action smoothness. We further propose DeViGrasp-Net, a teacher--student framework that combines state-conditioned grasp reasoning with reliability-aware temporal target estimation. The privileged teacher attends to offline grasp candidates conditioned on object, robot, end-effector, and task states, while the deployable student fuses dual-view segmented-depth observations with current, memory, and recovery target hypotheses through Target Hold Memory and Temporal Memory Attention. DeViGrasp-Net outperforms VBC across degradation levels, unseen objects, and complex terrains, and surpasses an adapted DQ-Net across all evaluated degradation levels. Under the Difficult setting, it achieves a success rate of 62.3\%, improving upon VBC and DQ-Net by 16.1 and 4.3 percentage points, respectively; under the Hard setting, its margin over DQ-Net increases to 10.5 percentage points. Ablation studies confirm the complementary benefits of grasp-aware supervision and reliability-aware temporal memory.
- Abstract（参考訳）: 擬似マニピュレータは複雑な環境での移動体の把握を可能にするが、その全身制御ポリシーは信頼性の低い車載視覚認識に弱いままである。
既存の手法は通常、比較的信頼性の高い観測下で開発され、オクルージョン、セグメンテーションマスクドロップアウト、ディープノイズ、ターゲット位置定位ジッタが把握推論と目標追跡にどのように影響するかを体系的に検討していない。
このギャップに対処するために、DeViGrasp-Benchという、制御された視覚的劣化、見えない物体、複数の難易度、複雑な地形を組み込んだモバイルグルーピングのベンチマークを導入し、タスク成功、実行効率、動作平滑性を評価する。
さらに,状態条件の把握推論と時間的目標推定を組み合わせた教師学習フレームワークであるDeViGrasp-Netを提案する。
特権教師は、オブジェクト、ロボット、エンドエフェクタ、タスク状態に条件付けされたオフラインの把握候補に出席し、デプロイ可能な学生は、現在の、記憶、回復ターゲット仮説を、ターゲットホールド記憶と時間記憶の注意を通して融合させる。
DeViGrasp-Netは、劣化レベル、見えないオブジェクト、複雑な地形でVBCを上回っ、評価されたすべての劣化レベルで適応されたDQ-Netを上回っている。
難易度設定では、成功率は62.3\%に達し、それぞれVBCとDQ-Netを16.1ポイント、DQ-Netを4.3ポイント改善する。
アブレーション研究は、グリープ・アウェアの監督と信頼性・アウェアの時間記憶の相補的な利点を裏付けるものである。
関連論文リスト
- LIBERO-VPro: Benchmarking Closed-Loop Visual Robustness of Robotic Foundation Models [61.038310084204056]
本稿では,ロボット基礎モデルの閉ループ視覚的堅牢性を評価するためのベンチマークであるLIBERO-VProを紹介する。
約196,000回にわたって3つの視覚言語行動モデルと3つの世界行動モデルを評価した。
以上の結果から,強い名目性能は視覚的接地や適応において重大な弱点を隠蔽する可能性が示唆された。
論文 参考訳（メタデータ） (2026-09-21T09:43:41Z) - VisualThink-VLA: Visual Intermediate Reasoning for Effective and Low-Latency Vision-Language-Action Policies [58.65913948991329]
正確な低レイテンシVLAポリシーのためのビジュアル中間推論フレームワークであるVISUALTHINK-VLAを提案する。
私たちのブートストラップ哲学は、効果的な視覚的思考でアクションを導くことです。
これは、デコードオーバーヘッドを回避しながら空間的精度を保った、コンパクトなビジュアル・エビデンスインターフェースを通じてアクション予測をブートストラップする。
論文 参考訳（メタデータ） (2026-05-28T14:36:53Z) - VISD: Enhancing Video Reasoning via Structured Self-Distillation [4.8876574457819855]
複雑な推論のためのビデオLLMの訓練は、レベルレベルの報酬の順序と、長期的、時間的基盤の推論軌道上のきめ細かいクレジット割り当ての欠如により、依然として困難である。
ビデオ推論のための診断に意味のある特権情報を導入した自己蒸留フレームワークであるVISDを提案する。
論文 参考訳（メタデータ） (2026-05-07T12:13:15Z) - PokeGym: A Visually-Driven Long-Horizon Benchmark for Vision-Language Models [33.89873575295867]
我々はPokeGymを紹介した。Pokemon Legends: Z-Aは視覚的に複雑な3DオープンワールドであるRole-Playing Gameである。
PokeGymは厳格なコードレベルの分離を強制する:エージェントは生のRGB観測のみで動作するが、独立した評価器はメモリスキャンによって成功を検証する。
このベンチマークは、ナビゲーション、インタラクション、混合シナリオにまたがる30のタスク(30-220ステップ)と、3つの命令の粒度(Visual-Guided、Step-Guided、Goal-Only)で構成され、視覚的な接地、セマンティック推論、自律的な探索機能を体系的に分解する。
論文 参考訳（メタデータ） (2026-04-09T15:12:36Z) - RobustVisRAG: Causality-Aware Vision-Based Retrieval-Augmented Generation under Visual Degradations [12.753436440584409]
VisRAG(Retrieval-Augmented Generation)は、視覚言語モデル(VLM)を活用して、関連する視覚文書を共同で検索し、マルチモーダルな証拠に基づいて根拠付き回答を生成する。
既存のVisRAGモデルは、視覚入力がぼやけ、ノイズ、低光、シャドーなどの歪みに悩まされるときに性能が低下する。
因果誘導型デュアルパスフレームワークであるRobustVisRAGを導入し,効率とゼロショットの一般化を保ちながら,VisRAGの堅牢性を向上させる。
論文 参考訳（メタデータ） (2026-02-25T15:27:57Z) - ReViP: Reducing False Completion in Vision-Language-Action Models with Vision-Proprioception Rebalance [50.05984919728878]
本稿では、視覚的接地と摂動下での堅牢性を高めるために、視覚-受容器リバランスを備えた新しいVLAフレームワークReViPを提案する。
具体的には、タスクステージオブザーバとして外部VLMを使用して、視覚的な観察からリアルタイムなタスク中心の視覚的手がかりを抽出する。
本稿では,オブジェクトドロップのような制御された設定を持つLIBERO上に構築された最初のFalse-Completion Benchmark Suiteを提案する。
論文 参考訳（メタデータ） (2026-01-23T11:31:07Z) - NOVA: Navigation via Object-Centric Visual Autonomy for High-Speed Target Tracking in Unstructured GPS-Denied Environments [56.35569661650558]
我々はNOVAというオブジェクト中心のフレームワークを導入し、ロバストな目標追跡と衝突認識ナビゲーションを可能にした。
グローバルマップを構築するのではなく、NOVAはターゲットの参照フレーム内での知覚、推定、制御を定式化する。
我々は,都市迷路や森林の小道,間欠的なGPS損失を伴う建物内の繰り返し遷移など,現実の挑戦的なシナリオにまたがってNOVAを検証する。
論文 参考訳（メタデータ） (2025-06-23T14:28:30Z) - Code-as-Monitor: Constraint-aware Visual Programming for Reactive and Proactive Robotic Failure Detection [56.66677293607114]
オープンセットのリアクティブかつアクティブな障害検出のためのCode-as-Monitor(CaM)を提案する。
モニタリングの精度と効率を高めるために,制約関連エンティティを抽象化する制約要素を導入する。
実験により、CaMは28.7%高い成功率を達成し、厳しい乱れの下で実行時間を31.8%短縮することが示された。
論文 参考訳（メタデータ） (2024-12-05T18:58:27Z)
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。