論文の概要: Task aware Dynamic Movement Primitives for failure detection and recovery in contact rich manipulation

• arxiv url: http://arxiv.org/abs/2609.23151v1
• Date: Sat, 19 Sep 2026 17:37:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-24 17:05:49.082107
• Title: Task aware Dynamic Movement Primitives for failure detection and recovery in contact rich manipulation
• Title（参考訳）: コンタクトリッチ操作における故障検出と回復のためのタスク対応動的動作プリミティブ
• Abstract要約: 本稿では,動的移動プリミティブ(DMP)に基づく軌道生成と実時間ステージ分類を統合したタスク対応障害検出・回復フレームワークを提案する。 このフレームワークは、実行をPeg in Hole(PiH)アセンブリ操作のアプローチ、アライメント、挿入ステージにセグメントする。 マハラノビス距離計を用いてオンラインで異常検出を行い、名目軌道実行から接触誘発障害を分離する。
• 参考スコア（独自算出の注目度）: 0.9799637101641149
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Assembly remains a challenging robotic manipulation task in presence of tight tolerances and complex contact interactions. While Learning from Demonstration (LfD) frameworks like Dynamic Movement Primitives (DMPs) can effectively encode trajectories from a single demonstration, they are highly sensitive to variations in initial grasp configurations and external contact forces. Such variations often lead to task failures during the contact rich phases. This paper presents a task aware failure detection and recovery framework that integrates DMP based trajectory generation with real time stage classification. Utilizing Quadratic Discriminant Analysis (QDA) trained on multimodal sensor data, the framework segments execution into approach, alignment, and insertion stages for a Peg in Hole (PiH) assembly operation. By using goal relative position data as features, this classification generalizes to unseen goal positions without requiring retraining, matching the inherent generalization capability of DMPs. Anomaly detection is performed online using a Mahalanobis distance metric computed over force features, isolating contact induced failures from nominal trajectory execution. Upon failure detection, a spiral search recovery policy is triggered to actively realign the peg under contact before resuming the learned DMP insertion. The proposed approach is evaluated on an experimental setup achieving 95% stage classification accuracy, and demonstrates reliable failure recovery under lateral misalignments of up to 3 mm using only a single demonstration.
• Abstract（参考訳）: 組立は、厳格な耐性と複雑な接触相互作用の存在下で、困難なロボット操作タスクであり続けている。 ダイナミックモーションプリミティブ(DMP)のようなLfD(Learning from Demonstration)フレームワークは、単一のデモから軌道を効果的にエンコードするが、初期把握構成や外部接触力の変動に非常に敏感である。 このようなバリエーションは、コンタクトリッチフェーズにおけるタスクの失敗につながることが多い。 本稿では,DMPに基づく軌道生成と実時間ステージ分類を統合したタスク対応故障検出・復旧フレームワークを提案する。 QDA(Quardratic Discriminant Analysis)は、マルチモーダルセンサデータに基づいてトレーニングされた、Peg in Hole(PiH)アセンブリのアプローチ、アライメント、挿入ステージにフレームワークセグメントを実行する。 目標相対位置データを特徴として、この分類は、DMPの固有の一般化能力と一致する再トレーニングを必要とせずに、ゴール位置を見えないものに一般化する。 マハラノビス距離計を用いてオンラインで異常検出を行い、名目軌道実行から接触誘発障害を分離する。 故障検出時に、学習したDMP挿入を再開する前に、スパイラルサーチリカバリポリシーが起動され、接触中のペグを積極的に認識する。 提案手法は,95%段階の分類精度を達成できる実験装置を用いて評価し,一方の実証実験で最大3mmの横方向の不整合下での信頼性の高い故障回復を実証した。

関連論文リスト

• Detecting Backdoors in Object Detection via Pre-NMS Prediction Distribution Shift [35.70747932100589]
  DistScanは、シンプルだが以前は明らかにされていなかった観察に基づくバックドア検出フレームワークである。 既存の手法を大幅に上回り、最高の性能のベースラインに対する平均検出精度を27.32ポイント向上させる。
  論文  参考訳（メタデータ） (2026-08-19T16:38:39Z)
• Active Adversarial Perturbation-driven Associative Memory Retrieval for RGB-Event Visual Object Tracking [58.338848435042536]
  RGB-Eventトラッキングは、イベントセンサからRGB外観テクスチャと高密度時間運動キューを融合することにより、ローカライズを改善する。 現実世界のシーンは、従来のマルチモーダル融合を妨げる多様な構造的な信号劣化に悩まされる。 本稿では,RGBイベント追跡に適した階層的摂動・検索フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-24T23:34:06Z)
• SI-Diff: A Framework for Learning Search and High-Precision Insertion with a Force-Domain Diffusion Policy [5.439341986309672]
  本稿では,SI-Diffを提案する。SI-Diffは,力領域拡散ポリシーを用いて,探索と高精度挿入の両方を学習するフレームワークである。 SI-Diffは,最先端のベースラインであるTacDiffusionと比較して,2mmから5mmのミスアライメントに対する耐性を2mmまで拡張することを示すための徹底的な実験を行った。
  論文  参考訳（メタデータ） (2026-05-12T15:14:51Z)
• Failure Identification in Imitation Learning Via Statistical and Semantic Filtering [2.2515832864485024]
  ロボット工学における模倣学習(IL)ポリシは、制御された設定において強力なパフォーマンスを提供するが、実際のデプロイメントでは脆弱である。 本稿では、ポリシーに依存しない障害検出モジュールFIDeL(Failure Identification in Demonstration Learning)を紹介する。 また,ロボット工学における故障検出のための実世界のタスクのマルチモーダルデータセットであるBotFailsを紹介した。
  論文  参考訳（メタデータ） (2026-04-15T12:27:32Z)
• Steering and Rectifying Latent Representation Manifolds in Frozen Multi-modal LLMs for Video Anomaly Detection [52.5174167737992]
  ビデオ異常検出(VAD)は、ビデオ内の異常事象を特定することを目的としている。 本稿では,MLLMに基づくVADを受動的に読み上げから内部表現を積極的に操り,修正するSteerVADを提案する。 本手法は、トレーニングデータの1%しか必要としないチューニングフリーアプローチにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2026-02-27T13:48:50Z)
• Zero-Shot Embedding Drift Detection: A Lightweight Defense Against Prompt Injections in LLMs [2.2448294058653455]
  敵は電子メールやユーザー生成コンテンツなどの間接的な入力チャネルを利用してアライメント保護を回避する。 本稿では,Zero-Shot Embedding Drift Detection (ZEDD)を提案する。 ZEDDは、モデル内部へのアクセス、アタックタイプの事前知識、タスク固有の再トレーニングを必要とせずに動作する。
  論文  参考訳（メタデータ） (2026-01-18T11:33:35Z)
• Detection Method for Prompt Injection by Integrating Pre-trained Model and Heuristic Feature Engineering [3.0823377252469144]
  即時注射攻撃は 重大な セキュリティ上の脅威として現れました 既存の防御機構は、有効性と一般化性の間のトレードオフに直面している。 本稿では,デュアルチャネル機能融合検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-05T06:01:19Z)
• Unsupervised Continual Anomaly Detection with Contrastively-learned Prompt [80.43623986759691]
  UCADと呼ばれる新しい非教師付き連続異常検出フレームワークを提案する。 このフレームワークは、対照的に学習したプロンプトを通じて、UDAに継続的な学習能力を持たせる。 我々は総合的な実験を行い、教師なし連続異常検出とセグメンテーションのベンチマークを設定した。
  論文  参考訳（メタデータ） (2024-01-02T03:37:11Z)
• Continual-MAE: Adaptive Distribution Masked Autoencoders for Continual Test-Time Adaptation [49.827306773992376]
  連続的テスト時間適応(CTTA)は、ソース事前学習モデルから目標分布の連続的な変化に移行するために提案される。 提案手法は,CTTAタスクの分類とセグメンテーションの両方において,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-12-19T15:34:52Z)
• Coordinate Transformer: Achieving Single-stage Multi-person Mesh Recovery from Videos [91.44553585470688]
  ビデオから複数人の3Dメッシュを回収することは、バーチャルリアリティーや理学療法などにおけるグループ行動の自動認識に向けた重要な第一歩である。 本稿では,複数人物の時空間関係を直接モデル化し,同時にエンドツーエンドでマルチ・メッシュ・リカバリを行うコーディネート・トランスフォーマーを提案する。 3DPWデータセットの実験では、CoordFormerが最先端の精度を大幅に向上し、MPJPE、PAMPJPE、PVEの計測値でそれぞれ4.2%、8.8%、そして4.7%を上回った。
  論文  参考訳（メタデータ） (2023-08-20T18:23:07Z)
• ReAct: Temporal Action Detection with Relational Queries [84.76646044604055]
  本研究は,アクションクエリを備えたエンコーダ・デコーダフレームワークを用いて,時間的行動検出(TAD)の進展を図ることを目的とする。 まず,デコーダ内の関係注意機構を提案し,その関係に基づいてクエリ間の関心を誘導する。 最後に、高品質なクエリを区別するために、推論時に各アクションクエリのローカライズ品質を予測することを提案する。
  論文  参考訳（メタデータ） (2022-07-14T17:46:37Z)

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。