論文の概要: DA-GRD: Decision-Aware Grasp-Relevant Disambiguation for tactile recovery under perception-to-execution mismatches

• arxiv url: http://arxiv.org/abs/2609.29065v1
• Date: Thu, 24 Sep 2026 05:53:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.741831
• Title: DA-GRD: Decision-Aware Grasp-Relevant Disambiguation for tactile recovery under perception-to-execution mismatches
• Title（参考訳）: DA-GRD:知覚と実行のミスマッチによる触覚回復のための決定に配慮したグラフ関連曖昧さ
• Abstract要約: 本稿では,認識と実行のミスマッチの下でのポーズ回復の把握について検討する。 DA-GRD, Decision-Aware Grasp-Relevant Disambiguationを提案する。 DA-GRDは、オブジェクトを完全に再ローカライズするのではなく、残りの仮説が共通の実行可能グリップをサポートするときに停止する。
• 参考スコア（独自算出の注目度）: 10.175462406362564
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Grasping is a fundamental robotic capability that bridges perception and physical task execution. This paper studies grasp pose recovery under a perception-to-execution mismatch, where a grasp generated from visual perception may become spatially stale if the object moves before execution, using only sparse tactile interactions and no further visual observations. We propose DA-GRD, Decision-Aware Grasp-Relevant Disambiguation, which maintains a weighted planar belief over possible object configurations and selects tactile probes according to their ability to eliminate hypotheses and improve agreement among candidate task grasps. Rather than fully relocalizing the object, DA-GRD stops when the remaining hypotheses support a common executable grasp. In MuJoCo experiments on ten rigid objects with translations up to 5~cm and yaw perturbations up to $\pm45^\circ$, DA-GRD achieves an 84.7% physical lift success rate, compared with 9.1% for stale AnyGrasp, 21.2% for the original fix-scan baseline, and 63.7% for fix-scan method adapted with an SE(2) belief. DA-GRD also achieves a 57.3% Task conditioned Success rate. Across objects, it uses a success-average of 4.13 tactile probes over the ten per-object means, corresponding to a 72.5% reduction relative to the fixed 15-probe baselines. Real-world experiments on six objects achieve 71.7% physical lift success and 38.3% task-conditioned success with 4.20 probes on average. These results show that tactile sensing can recover task-relevant grasps under vision-off conditions with limited physical interaction, without requiring complete object localization.
• Abstract（参考訳）: グラッピングは知覚と物理的タスクの実行を橋渡しする基本的なロボット機能である。 本研究では,物体が実行前に移動した場合に視覚的知覚から生じる認識が空間的に不安定になるような,知覚と実行のミスマッチ下でのポーズ回復の把握について検討する。 提案するDA-GRD(DA-GRD, Decision-Aware Grasp-Relevant Disambiguation, DA-GRD, DA-GRD, DA-GRD, DA-GRD)は, 被写体構成の重み付けされた平面的信念を維持し, 仮説を排除し, 課題把握の整合性を改善するために触覚プローブを選択する。 DA-GRDは、オブジェクトを完全に再ローカライズするのではなく、残りの仮説が共通の実行可能グリップをサポートするときに停止する。 MuJoCoの実験では、最大で5～cm、最大で最大で$\pm45^\circ$の10個の剛体物体に対して、DA-GRDは84.7%の物理的昇降率を達成し、AnyGraspは9.1%、元の固定スキャンベースラインは21.2%、SE(2)の信念に適合した固定スキャンメソッドは63.7%である。 DA-GRDは57.3%のタスク条件付き成功率も達成している。 対象物全体の平均4.13個の触覚プローブを使用し、固定された15プローブベースラインに対する72.5%の減少に対応する。 6つの物体の実際の実験は71.7%の物理的昇降と38.3%のタスク条件付き成功を平均4.20のプローブで達成している。 これらの結果から, 触覚センサは, 物体の完全な位置決めを必要とせず, 物理的相互作用が限定された視覚オフ条件下でのタスク関連グリップを回復できることがわかった。

関連論文リスト

• Hybrid Residual Reinforcement Learning for Contact-Rich Robotic Book Insertion [3.0847492739300546]
  制御権限を既知の幾何学と学習行動に分割する方法について検討する。 提案手法は,構成された挿入・着座のための名目的なタスク空間コントローラを保有する一方,残余のPPOは局所的な補正を行う。 ハードウェア上での最終的なポリシーでは、512の固定条件に対する配置整合シミュレーションが98.50%の成功をもたらす。
  論文  参考訳（メタデータ） (2026-09-17T09:34:29Z)
• 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)
• Learning In-Hand Object Reaching to General 6D Poses [20.489992320820324]
  手で操作することで、複数の指のデキスタラスハンドが、それをリリースしたり、再生したりすることなく、把握したオブジェクトを再構成することができる。 既存のグリップから、調整された指の動きから、物体をヤシ相対的なターゲットポーズに移動させる。 本稿では,この課題に対する実力強化学習フレームワークであるPOISEを提案する。
  論文  参考訳（メタデータ） (2026-09-12T07:11:37Z)
• Apodex Discovery: Reality Benchmarks and Environments for Evaluating and Building Discoverative Artificial Intelligence [86.61561123749011]
  Apodex Discovery(アポデックスディスカバリー)は、重度解法を用いて発見的AIを構築し評価するためのフレームワークである。 まず16のセクターで511の業界を調査し、423の高価値現実問題を集め、最初のリリースで20を選定した。 第二に、共通の環境-タスク-エピソード抽象化は、データ、ツール、制約、フィードバック、軌跡記録、中間成果物と最終提出物の検証を提供する。
  論文  参考訳（メタデータ） (2026-08-11T18:48:40Z)
• AECNav: Active Evidence Consolidation for Efficient Zero-Shot Open-Vocabulary Object Navigation [10.327375579404402]
  オープン語彙シナリオにおけるゼロショットオブジェクトゴールナビゲーション(ZSON)は困難である。 現在、タスクは、冗長な知覚パイプラインのために、高いレイテンシと限られた正確性に悩まされている。 3つのコンポーネント上に構築されたトレーニング不要のパイプラインであるAECNavを紹介します。
  論文  参考訳（メタデータ） (2026-08-11T11:40:05Z)
• AffordTrajDP: Dynamic Affordance-Guided Visuomotor Policy Learning for Robotic Manipulation [8.422659700538636]
  AffordTrajDPは、プログレッシブな操作プロセスを導くために、オブジェクト中心の時間的伝播を通して、余剰軌道を構築する。 AffordTrajDPはManiSkill3の平均成功率は70.0%で、強いベースラインを最大17.8%上回っている。
  論文  参考訳（メタデータ） (2026-08-03T02:19:37Z)
• ACCORD: Action-Conditioned Contextual Grounding for Language Agents [69.73525608707764]
  ACCORD(Action-Conditioned Contextual Grounding)は、適応的なグラウンドのためのエージェントフレームワークである。 現状のエージェントは、しばしばそうすることができないことを示す。それらは、観察された特定の情報よりもむしろ仮定から行動し、収集した可能性のある情報を見落とし、既に返された証拠を組み込むことに失敗する。
  論文  参考訳（メタデータ） (2026-06-15T09:05:55Z)
• Converted, Not Equivalent: Benchmarking Codebase Conversion via Observational Equivalence [56.25095230687242]
  コーディングエージェントは、しばしば自身のローカル検証ルーチンを過度に信頼し、表面チェックを満たすアーティファクトの成功を宣言する。 この問題は、事前評価が結果駆動である変換において特に深刻である。 ブラインド・コンバージョンは26.7-28.9%に達し、スペック・パスレートは91.1%まで上昇した。 このことは、失敗は限られた予算やバックボーンの強さよりも、契約ミスによる自己検証に起因していることを示唆している。
  論文  参考訳（メタデータ） (2026-05-27T19:57:15Z)
• Benchmarking Reasoning Robustness in Large Language Models [76.79744000300363]
  新規データや不完全データでは,性能が著しく低下することがわかった。 これらの結果は、厳密な論理的推論に対するリコールへの依存を浮き彫りにした。 本稿では,情報不足によって引き起こされる幻覚を利用して推論ギャップを明らかにする,Math-RoBと呼ばれる新しいベンチマークを提案する。
  論文  参考訳（メタデータ） (2025-03-06T15:36:06Z)

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。