論文の概要: From Visual Search to Movement Control: A Priority Field for Artificial Agents

• arxiv url: http://arxiv.org/abs/2609.30704v1
• Date: Fri, 25 Sep 2026 02:24:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.187261
• Title: From Visual Search to Movement Control: A Priority Field for Artificial Agents
• Title（参考訳）: 視覚検索から運動制御へ:人工エージェントの優先分野
• Abstract要約: 本稿では,統合された優先度マップに基づく視覚検索の軽量モデルを提案する。 我々は、優先フィールドを持つ人工エージェントを訓練し、その性能を到達回避タスクで評価する。
• 参考スコア（独自算出の注目度）: 7.087446823995507
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human spatial attention is widely conceptualized as being guided by a priority map that integrates perceptual salience, current goals, and past experiences. Here, we extend priority-based computation to movement control in artificial agents. We first introduce a lightweight model of visual search based on an integrated priority map. Trained on human saccades, it reproduced key behavioral patterns, including oculomotor suppression and history-driven selection. Extending the search model, we equipped an artificial agent with a priority field and evaluated its performance in a reach-avoid task that required reaching a goal destination while avoiding moving obstacles. Compared with alternative architectures, priority-field agents trained more efficiently and performed better in unseen, complex scenarios, even from simple demonstrations. Adding a simple memory mechanism also produced human-like, history-driven effects in anticipating the likely location of the upcoming goal. These findings suggest that priority-based computation may provide a promising foundation for movement control in artificial agents.
• Abstract（参考訳）: 人間の空間的注意は、知覚的サリエンス、現在の目標、過去の経験を統合した優先順位マップによって導かれるものとして広く概念化されている。 ここでは、優先度に基づく計算を、人工エージェントの移動制御に拡張する。 まず、統合された優先順位マップに基づいて、視覚検索の軽量モデルを導入する。 人間のササードで訓練され、オキュロモータの抑制や歴史による選択など、重要な行動パターンを再現した。 探索モデルを拡張して,移動障害物を回避しつつ,目標地点に到達する必要のある到達回避タスクにおいて,優先フィールドの人工エージェントを装着し,その性能評価を行った。 代替アーキテクチャと比較すると、優先度フィールドエージェントはより効率的に訓練され、単純なデモからでも目に見えない複雑なシナリオでよりよく機能した。 単純なメモリ機構を追加することで、今後の目標のありそうな位置を予測できる、人間のような履歴駆動のエフェクトも生まれました。 これらの結果から,優先度に基づく計算が人工エージェントの運動制御の基礎となる可能性が示唆された。

関連論文リスト

• Perceptive Behavior Foundation Model: Adapting Human Motion Priors to Robot-Centric Terrain [25.92545023668694]
  我々は、ロボット中心の知覚において、人間の動きを前提とした地形認識型ヒューマノイド制御フレームワークを開発する。 我々は,視覚障害者の教師を訓練し,その地形・地形の振る舞いを生の学生に伝達する。 学生は、移動追跡を前もって保存し、必要なときにのみ局所的な補正を行うように訓練された、地形の特徴が残留経路を通り抜けるアイデンティティ付きトランスフォーマートラッカーである。
  論文  参考訳（メタデータ） (2026-06-06T08:46:44Z)
• Sight Over Site: Perception-Aware Reinforcement Learning for Efficient Robotic Inspection [57.37596278863949]
  本研究では,認識・認識の観点からの検査を再考する。 本稿では,目標視認性を主目的とするエンドツーエンド強化学習フレームワークを提案する。 提案手法は,既存の古典的および学習的ナビゲーション手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-09-22T15:14:02Z)
• Human Scanpath Prediction in Target-Present Visual Search with Semantic-Foveal Bayesian Attention [49.99728312519117]
  SemBA-FASTは、ターゲットの視覚検索における人間の視覚的注意を予測するためのトップダウンフレームワークである。 我々は、COCO-Search18ベンチマークデータセット上でSemBA-FASTを評価し、その性能を他のスキャンパス予測モデルと比較した。 これらの知見は、人間のような注意モデリングのためのセマンティック・フレーバー・確率的フレームワークの能力に関する貴重な知見を提供する。
  論文  参考訳（メタデータ） (2025-07-24T15:19:23Z)
• Uncovering the human motion pattern: Pattern Memory-based Diffusion Model for Trajectory Prediction [45.77348842004666]
  動作パターン優先記憶ネットワーク(Motion Pattern Priors Memory Network)は、人間の行動に潜む動きパターンを明らかにするためのメモリベースの手法である。 メモリバンクから各予測に対して一致したパターンと潜在的なターゲット分布を検索するアドレッシング機構を導入する。 提案手法の有効性を検証し,最先端の軌道予測精度を実現する。
  論文  参考訳（メタデータ） (2024-01-05T17:39:52Z)
• Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
  自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。 既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。 これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
  論文  参考訳（メタデータ） (2023-08-02T23:39:24Z)
• How To Not Train Your Dragon: Training-free Embodied Object Goal Navigation with Semantic Frontiers [94.46825166907831]
  Embodied AIにおけるオブジェクトゴールナビゲーション問題に対処するためのトレーニング不要のソリューションを提案する。 本手法は,古典的な視覚的同時ローカライゼーションとマッピング(V-SLAM)フレームワークに基づく,構造化されたシーン表現を構築する。 本手法は,言語先行情報とシーン統計に基づいてシーングラフのセマンティクスを伝搬し,幾何学的フロンティアに意味知識を導入する。
  論文  参考訳（メタデータ） (2023-05-26T13:38:33Z)
• Leveraging Demonstrations with Latent Space Priors [90.56502305574665]
  本稿では,スキル学習とシーケンスモデリングを組み合わせることで,実演データセットを活用することを提案する。 本研究では、国家のみのモーションキャプチャーの実証から、そのような先行情報をどうやって取得するかを示し、政策学習に組み込むためのいくつかの方法を探る。 実験結果から, 学習速度と最終性能において, 遅延空間が顕著に向上することが確認された。
  論文  参考訳（メタデータ） (2022-10-26T13:08:46Z)
• Learning to Move with Affordance Maps [57.198806691838364]
  物理的な空間を自律的に探索し、ナビゲートする能力は、事実上あらゆる移動型自律エージェントの基本的な要件である。 従来のSLAMベースの探索とナビゲーションのアプローチは、主にシーン幾何学の活用に重点を置いている。 学習可能な余剰マップは探索と航法の両方において従来のアプローチの強化に利用でき、性能が大幅に向上することを示します。
  論文  参考訳（メタデータ） (2020-01-08T04:05:11Z)

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。