論文の概要: A Deployment Study of Identity-Gated Drone Gesture Control

• arxiv url: http://arxiv.org/abs/2609.25511v1
• Date: Tue, 22 Sep 2026 00:14:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.159591
• Title: A Deployment Study of Identity-Gated Drone Gesture Control
• Title（参考訳）: アイデンティティ学習型ドローンジェスチャー制御の展開に関する研究
• Abstract要約: 視覚に基づくジェスチャー制御は、カメラ視野内の任意の手からコマンドを受け取り、共有屋内空間では安全ではない。 本稿では、ジェスチャー制御と顔追跡機能を備えたIDゲート制御スタックであるIGateについて、登録したオペレータが検証された場合にのみコマンドを許可する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-based gesture control accepts commands from any hand in the camera field of view, which is unsafe in shared indoor spaces. This paper presents IGate, an identity-gated control stack that includes gesture control and face tracking, in which commands are admitted only when an enrolled operator is verified. The system performs few-shot user enrolment from 20 initial face frames, without prior user-specific training: verification compares an embedding of the current face crop against the enrolled template by cosine similarity, while face tracking uses proportional correction. Gesture control is achieved by classifying extracted hand landmarks using an RBF-SVM trained on a custom dataset. Additionally, a hierarchical finite-state machine handles mode selection, default, and fallback behaviours. The approach is tested on a DJI Tello EDU, each component evaluated offline and in-flight across 270 trials (149 flown). Face verification yields a 0.32% offline equal error rate versus 19.3% in-flight. Under hover-locked conditions, the RBF-SVM gesture classifier outperforms the geometric rule (0.850 vs. 0.651 accuracy), with 82% of this gap stemming from the depth channel. All logs and reproduction scripts will be released.
• Abstract（参考訳）: 視覚に基づくジェスチャー制御は、カメラ視野内の任意の手からコマンドを受け取り、共有屋内空間では安全ではない。 本稿では、ジェスチャー制御と顔追跡機能を備えたIDゲート制御スタックであるIGateについて、登録したオペレータが検証された場合にのみコマンドを許可する。 このシステムは、20の初期顔フレームから、事前のユーザ固有の訓練なしに、少数ショットのユーザエンローメントを実行する: 検証は、登録されたテンプレートに対する現在の顔作物の埋め込みをコサイン類似性で比較し、フェイストラッキングは比例補正を使用する。 ジェスチャー制御は、カスタムデータセットでトレーニングされたRBF-SVMを使用して、抽出したハンドランドマークを分類することで実現される。 さらに、階層的な有限状態マシンはモード選択、デフォルト、フォールバックの動作を処理する。 このアプローチはDJI Tello EDUでテストされ、各コンポーネントは270のトライアル(149回の飛行)でオフラインおよびオンフライで評価される。 顔認証は、飛行中の19.3%に対して0.32%のオフライン対等なエラー率をもたらす。 ホバーロック条件下では、RBF-SVMジェスチャ分類器は幾何規則(0.850対0.651精度)より優れており、このギャップの82%は深さチャネルに由来する。 すべてのログと再生スクリプトがリリースされる。

関連論文リスト

• VABench: Measuring Embodied Spatial Intelligence through Visual Demonstrations, Active Perception, and Metric Control [57.5995346750474]
  VA-Benchを導入し、完全なオブザーバ・レアソン・アクト・リビジョンループを評価する。 汎用MLLMは、RGBのみのデモンストレーションから手続き的コンテキストを学習する。 モデルには特権オブジェクトのポーズ、オラクルの軌跡、学習されたアクションヘッドは含まれない。
  論文  参考訳（メタデータ） (2026-09-17T01:24:51Z)
• PATH: Continuous Target Sensing among Autonomous Cooperative Drones [2.225982890331028]
  本稿では,2つの移動型UAV間の目標ハンドオフのためのプラットフォームに依存しない,幾何学的支援型センシングおよび検証フレームワークを提案する。 PATHは96.0%のフレームレベル受信側ターゲット取得精度を実現し、2.0%は偽陽性、2.0%は偽陰性である。
  論文  参考訳（メタデータ） (2026-09-11T05:24:08Z)
• GE-Act 2.0: Pretraining and Scaling a World-Action Model for Robotic Manipulation [63.853929983870955]
  本稿では,ジェニー・エンスペクタ法 2.0 (GE-Act 2.0) について紹介する。 制御指向オートエンコーダ(CoAE)、ワンステップビジュアルプランナー(SVP)、逆ダイナミクスモデル(IDM)を組み合わせている。 それらのコンポーネントは、知識に整合した選択最適化(KASO)で共同で訓練され、記録された行動に適合していると判断された予測された未来のみを選択することで、ミスマッチした監視を減らす。
  論文  参考訳（メタデータ） (2026-09-04T17:16:48Z)
• CIAware-Bench: Benchmarking Control Intervention Awareness Across Frontier LLMs [100.38986535324284]
  我々は、フロンティアモデル全体でのtextbfcontrol textbfintervention (CI) の認識を測定するベンチマークである textbfCIAware-Bench を紹介する。 CIAware-Benchは、モデルが自身の軌跡を制御介入によって修正されたものと区別できるかどうかをテストする。
  論文  参考訳（メタデータ） (2026-06-09T16:24:16Z)
• Instance-level Visual Active Tracking with Occlusion-Aware Planning [61.982298426203165]
  Visual Active Tracking (VAT)は、カメラを3D空間でターゲットに追従することを目的としている。 VATは、視覚的に類似したイントラクタからの混乱と、閉塞下での深刻な障害という、現実世界のデプロイメントにおいて2つの重要なボトルネックに直面している。 3つの相補的なモジュールを持つ統一パイプラインであるOA-VATを提案する。
  論文  参考訳（メタデータ） (2026-04-23T09:11:50Z)
• Self-supervised Domain Adaptation for Visual 3D Pose Estimation of Nano-drone Racing Gates by Enforcing Geometric Consistency [43.497514957094275]
  シミュレーションデータに基づいて事前学習した畳み込みニューラルネットワークを用いて,ナノクワッドロータの前方のドローンレースゲートの相対的なポーズを視覚的に推定する作業を検討する。 ゲートの前方に任意の軌道を飛行するドローンによって収集された実画像のみを用いた教師なし領域適応(UDA)手法を提案する。
  論文  参考訳（メタデータ） (2026-03-03T12:46:25Z)
• ControlFace: Harnessing Facial Parametric Control for Face Rigging [31.765503860508378]
  フレキシブルで高忠実な制御を可能にする3DMMレンダリングに条件付けされた新しい顔リグ手法であるControlFaceを導入する。 ひとつはFaceNetと呼ばれ、アイデンティティと詳細をキャプチャし、もうひとつは生成に焦点を当てています。 顔ビデオデータセットをトレーニングすることで、FaceNetのリッチな表現を完全に活用し、コントロールの順守を確保します。
  論文  参考訳（メタデータ） (2024-12-02T06:00:27Z)
• 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)

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。