論文の概要: Becoming a Fruit Ninja: Real-Time Probabilistic Kinodynamic Planning for Manipulator Projectile Interception

• arxiv url: http://arxiv.org/abs/2609.22608v1
• Date: Fri, 18 Sep 2026 21:51:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:41:48.170898
• Title: Becoming a Fruit Ninja: Real-Time Probabilistic Kinodynamic Planning for Manipulator Projectile Interception
• Title（参考訳）: フルーツ忍者になる:マニピュレータプロジェクタのリアルタイム確率的動力学的計画
• Abstract要約: 投げられたオブジェクトをロボットアームでインターセプトするには、オブジェクトがそれを通過するときに、オブジェクトのパス上のポイントに到達する必要がある。 FRUITNINJAは、GPU上の木をインターセプション多様体に向けてバッチで成長させる、任意のサンプリングベースのプランナーである。 FRUITNINJAは5つの障害物のうち96.7%と68.3%をカットし、それぞれ68.3%と35.0%である。
• 参考スコア（独自算出の注目度）: 0.1944372440801815
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Projectile interception is a challenging dynamic manipulation problem. Intercepting a thrown object with a robot arm requires reaching a point on the object's path as the object passes through it. Slicing also fixes the blade's velocity and orientation at contact. The goal is therefore a subset of the states of the robot and arrival times that moves as the object falls, and the arm must reach it within its actuator limits in milliseconds. We present FRUITNINJA, an anytime sampling-based planner that grows a tree on the GPU in batches toward the interception manifold. Each edge is an exact cubic whose travel time is found by a parallel search against the arm's dynamics, so every edge satisfies the actuator limits. Plans are ranked by a risk-aware objective over the uncertainty in the object's position and the arm's arrival time. We evaluate on a Franka Research 3 against six baselines in a calibrated real-time simulator, where FRUITNINJA cuts 96.7% of tosses in the open and 68.3% among five obstacles, versus the best baseline's 68.3% and 35.0% respectively.
• Abstract（参考訳）: 射影インターセプションは、困難な動的操作問題である。 投げられたオブジェクトをロボットアームでインターセプトするには、オブジェクトがそれを通過するときに、オブジェクトのパス上のポイントに到達する必要がある。 スライシングはまた、接触時のブレードの速度と方向を固定する。 そのため、ゴールはロボットの状態と、物体が落下するときに移動する到着時間のサブセットであり、アームは数ミリ秒でアクチュエータの限界内に到達しなければならない。 FRUITNINJAは、GPU上の木をインターセプション多様体に向けてバッチで成長させる、任意のサンプリングベースのプランナーである。 それぞれのエッジは正確な立方体であり、アームのダイナミックスに対する平行探索によって移動時間が見つかるため、各エッジはアクチュエータの限界を満たす。 計画は、物体の位置と腕の到着時間の不確実性に関して、リスクを意識した目標によってランク付けされる。 FRUITNINJAは5つの障害物のうち96.7%と68.3%をカットし、それぞれ68.3%と35.0%である。

関連論文リスト

• RRTrack: Robust and Recoverable Object 6D Pose Tracking for Dynamic Scenes [55.15267980622371]
  RRTrackは効率的で復元可能なオブジェクト6Dポーズトラッカーである。 高速な動きと目標の消光によるロバストな追跡を可能にする。 実験の結果、RRTrackはADD-S ARを66.3%改善し、ADD-S AUCを65.7%改善した。
  論文  参考訳（メタデータ） (2026-07-26T14:05:46Z)
• 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)
• Sparse2Act: Learning Action-Aligned Sparse 3D Representations for Cross-Domain Robot Manipulation [52.00134393320209]
  Sparse2Actは、スパースポイントクラウドエンコーダの事前学習のための観測・動作アライメントフレームワークである。 マスク付きスパース3Dトークンは、観察と組み合わせたワークスペース運動の周囲のシーン特徴を整理するために訓練される。 LIBERO-10ベンチマークでは,500ステップの微調整を行い,平均86.9%の成功を達成した。
  論文  参考訳（メタデータ） (2026-06-10T23:56:01Z)
• PickScan: Object discovery and reconstruction from handheld interactions [99.99566882133179]
  シーンの3次元表現を再構成する対話誘導型クラス依存型手法を開発した。 我々の主な貢献は、操作対象のインタラクションを検出し、操作対象のマスクを抽出する新しいアプローチである。 相互作用ベースとクラス非依存のベースラインであるCo-Fusionと比較すると、これはシャムファー距離の73%の減少に相当する。
  論文  参考訳（メタデータ） (2024-11-17T23:09:08Z)
• Unified Control Framework for Real-Time Interception and Obstacle Avoidance of Fast-Moving Objects with Diffusion Variational Autoencoder [2.5642257132861923]
  動的環境におけるロボットアームによる高速移動物体のリアルタイムインターセプションは、非常に困難な課題である。 本稿では,動的オブジェクトを同時にインターセプトし,移動障害を回避することで,課題に対処する統一的な制御フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-27T18:46:52Z)
• Hierarchical Reinforcement Learning for Precise Soccer Shooting Skills using a Quadrupedal Robot [76.04391023228081]
  本研究では,四足歩行ロボットが実世界において,強化学習を用いて精度の高い射撃技術を実現できるという課題に対処する。 本研究では, 深層強化学習を活用して頑健な動作制御政策を訓練する階層的枠組みを提案する。 提案するフレームワークをA1四足歩行ロボットに展開し、実世界のランダムなターゲットに向けて正確にボールを発射できるようにする。
  論文  参考訳（メタデータ） (2022-08-01T22:34:51Z)
• One Object at a Time: Accurate and Robust Structure From Motion for Robots [14.671110096215113]
  視線固定ロボットは、固定対象物と周辺対象物の相対位置との距離を即時、正確に、かつ、堅牢に知覚する。 動きながら1つの物体を見る行為である固定は、3次元空間の幾何学における規則性を生かして情報を得る方法を示す。
  論文  参考訳（メタデータ） (2022-07-31T18:17:04Z)
• Contact-GraspNet: Efficient 6-DoF Grasp Generation in Cluttered Scenes [50.303361537562715]
  6-DoFパラレルジャッジの分布を効率的に生成するエンドツーエンドネットワークを提案する。 観測された点群の6-DoF把握ポーズと幅を根付かせることで、把握表現の寸法を4-DoFに縮小することができます。 構造クラッタにおける未知物体のロボット把持実験では, 90%以上の成功率を達成し, 最近の最先端手法と比較して, 故障率を半分に削減した。
  論文  参考訳（メタデータ） (2021-03-25T20:33:29Z)
• Learning Collision-free and Torque-limited Robot Trajectories based on Alternative Safe Behaviors [2.28438857884398]
  ニューラルネットワークは、産業用ロボットの将来の動きを予測するために定期的に呼び出される。 アクションスペースの設計により、キネマティックジョイント限界の遵守が確保されます。 実ロボットによる実験は、安全な軌道をリアルタイムで生成できることを示しています。
  論文  参考訳（メタデータ） (2021-03-05T16:50:57Z)
• Robots of the Lost Arc: Self-Supervised Learning to Dynamically Manipulate Fixed-Endpoint Cables [31.103646278125318]
  高速ロボットアームの動きは、ケーブルを操作して障害物を乗り越えたり、台座から物体をノックしたり、障害物の間を織ったりすることができる。 本稿では、UR5ロボットがこれらの3つのタスクを実行できる自己教師型学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-10T00:19:50Z)

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。