論文の概要: Receding-Horizon Pushing with Composable Object-Centric Policies

• arxiv url: http://arxiv.org/abs/2609.23439v2
• Date: Tue, 29 Sep 2026 07:28:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:46.506188
• Title: Receding-Horizon Pushing with Composable Object-Centric Policies
• Title（参考訳）: 構成可能なオブジェクト中心ポリシーによる逐次水平プッシュ
• Abstract要約: フィードバック誘導型階層型フレームワークにおいて,オブジェクト中心のプッシュポリシを提案する。 低いレベルでは、学習ベースのポリシーは、ポーズとスケール正規化ポイントクラウドからコンタクトアクションを予測する。 高いレベルでは、BIT$*$が最初に対象経路を探索し、次にいくつかのサブゴールが接触予測とロボットの動き計画によってチェックされる。
• 参考スコア（独自算出の注目度）: 16.247056453373407
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Non-prehensile manipulation is practical for relocating large, heavy, or geometrically ungraspable objects. Yet, long-horizon pushing of arbitrarily-shaped 3D objects couples three problems: 1) where to push the object so as to approach the target pose, 2) whether each push is stable and reachable, 3) whether subsequent actions remain feasible. We present an object-centric pushing policy within a feedback-guided hierarchical framework. At the low level, a learning-based policy predicts contact actions from a pose- and scale-normalized point cloud, conditioned on a near single-step subgoal. A stability score is applied to evaluate the predicted contacts by a quasi-static sliding-versus-tipping analysis. At the high level, BIT$^*$ first searches for an object path, and the next several subgoals are checked by contact prediction and robot motion planning for future feasibility. Failed motion plans, as feedback, change the local path costs and trigger re-planning. During execution, only the first feasible action is executed. In simulation, we evaluate 22 objects in six different scenes, upon which we also conduct comprehensive ablation studies. Results demonstrate that our method outperforms baselines with a clear margin and can reliably achieve long-horizon object pushing tasks under different situations. We also report quantitative real-robot experiments with a Franka arm and qualitative demonstrations with a mobile manipulator for large and heavy objects, with directly zero-shot sim-to-real transfer.
• Abstract（参考訳）: 非包括的操作は、大きく、重く、幾何学的には表現不可能な物体を移動させるのに実用的である。 しかし、任意形状の3D物体を長時間押すと3つの問題が発生する。 1)ターゲットのポーズに近づくためにオブジェクトをどこに押すか。 2) 各プッシュが安定して到達可能であるか。 3) その後の行動は引き続き可能か。 フィードバック誘導型階層型フレームワークにおいて,オブジェクト中心のプッシュポリシを提案する。 低レベルにおいて、学習ベースのポリシーは、ほぼ一段階のサブゴールで条件付けられたポーズとスケール正規化された点雲から接触行動を予測する。 準静的スライディング・リバース・タイッピング解析により, 予測接触の評価に安定性スコアを適用した。 高いレベルでは、BIT$^*$がまず対象経路を探索し、次にいくつかのサブゴールを接触予測とロボット動作計画により将来の実現可能性を確認する。 フィードバックとして失敗する動作プランは、ローカルパスのコストを変更し、再計画のトリガーとなる。 実行中は、最初の実行可能なアクションのみが実行される。 シミュレーションでは、6つの異なる場面における22の物体の評価を行い、その上で包括的アブレーション研究を行った。 以上の結果から,本手法はベースラインよりも明確なマージンで優れており,異なる状況下での長時間のオブジェクトプッシュタスクを確実に達成できることが示唆された。 また,Frankaアームを用いた実ロボットの定量的実験や,大物体と重物体の移動マニピュレータを用いた定性的実験を,直接ゼロショット・シム・トゥ・リアルトランスファーを用いて報告した。

関連論文リスト

• Imagine-TAMP: Imagination-Guided Task and Motion Planning in Partial Observability [2.624902795082451]
  imagine-TAMPはタスクレベルの戦略のためのインターリーブな計画および実行フレームワークである。 視覚言語モデルは、ターゲット位置に対する粒子の信念を形成する。 生成的シーンモデルは、観測されていない領域における可塑性幾何を推定する。 実験により、想像力による評価が観察と操作の意思決定を改善することが示された。
  論文  参考訳（メタデータ） (2026-09-17T13:44:35Z)
• Imagine2Real: Towards Zero-shot Humanoid-Object Interaction via Video Generative Priors [51.096845970243855]
  高忠実度3Dデータの不足により,全体Humanoid-Object Interaction (HOI) がボトルネックとなる。 本研究では,ゼロショットHOIフレームワークであるImagine2Realを提案する。
  論文  参考訳（メタデータ） (2026-05-21T10:15:39Z)
• Motion-Uncertainty-Aware Next-Best-View Planning for Moving Object Reconstruction [13.309411974709574]
  本研究では、平面運動中の未知の剛体物体を再構成するための運動不確実性を考慮したNBVフレームワークを提案する。 この予測的信念を得るために、固定ラグガウス過程はよりスムーズな推定を行い、ノイズのある位置測定から対象状態を予測する。 得られた信念は、予測対象位置に関する候補視点を生成し、到達可能性によってそれらをフィルタリングし、予測されるカバレッジ駆動スコアを推定するために使用される。
  論文  参考訳（メタデータ） (2026-05-17T18:45:38Z)
• GAPG: Geometry Aware Push-Grasping Synergy for Goal-Oriented Manipulation in Clutter [27.71481975135778]
  乱雑な環境では、シングルステップの把握が不十分であることが多い。 従来の作業は、把握可能な空間を作るための補助的なアクションとしてプッシュを導入してきた。 我々は,グリップとプッシュ評価を統合するために,幾何対応のプッシュグラス・シナジー・フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-22T12:30:44Z)
• HAIC: Humanoid Agile Object Interaction Control via Dynamics-Aware World Model [56.4392302336014]
  本稿では,外部状態推定を伴わない多種多様なオブジェクトダイナミクス間のロバストな相互作用のためのフレームワークであるHAICを提案する。 我々の重要な貢献は、主観的歴史のみから高次対象状態(速度、加速度)を推定するダイナミクス予測器である。 ヒューマノイドロボットの実験では、HAICはアジャイルタスクで高い成功率を達成する。
  論文  参考訳（メタデータ） (2026-02-12T09:34:35Z)
• Articulated Object Manipulation using Online Axis Estimation with SAM2-Based Tracking [57.942404069484134]
  アーティキュレートされたオブジェクト操作は、オブジェクトの軸を慎重に考慮する必要がある、正確なオブジェクトインタラクションを必要とする。 従来の研究では、対話的な知覚を用いて関節のある物体を操作するが、通常、オープンループのアプローチは相互作用のダイナミクスを見渡すことに悩まされる。 本稿では,対話的知覚と3次元点雲からのオンライン軸推定を統合したクローズドループパイプラインを提案する。
  論文  参考訳（メタデータ） (2024-09-24T17:59:56Z)
• Learning Extrinsic Dexterity with Parameterized Manipulation Primitives [8.7221770019454]
  我々は、オブジェクトのポーズを変えるために環境を利用する一連のアクションを学習する。 我々のアプローチは、オブジェクトとグリップと環境の間の相互作用を利用してオブジェクトの状態を制御することができる。 拘束されたテーブルトップワークスペースから様々な重量,形状,摩擦特性の箱状物体を選別する手法の評価を行った。
  論文  参考訳（メタデータ） (2023-10-26T21:28:23Z)
• H-SAUR: Hypothesize, Simulate, Act, Update, and Repeat for Understanding Object Articulations from Interactions [62.510951695174604]
  The Hypothesize, Simulate, Act, Update, and Repeat (H-SAUR) is a probabilistic generative framework that generated hypotheses about objects articulate given input observed。 提案手法は,現在最先端のオブジェクト操作フレームワークよりも優れていることを示す。 我々は、学習に基づく視覚モデルから学習前の学習を統合することにより、H-SAURのテスト時間効率をさらに向上する。
  論文  参考訳（メタデータ） (2022-10-22T18:39:33Z)
• Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
  本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。 連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。 我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
  論文  参考訳（メタデータ） (2021-11-15T18:50:04Z)

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。