論文の概要: HIRE: History-Conditioned Interaction Reasoning and High-Rate Execution for Visually Aliased Precision Manipulation

• arxiv url: http://arxiv.org/abs/2609.30828v1
• Date: Fri, 25 Sep 2026 05:13:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.234205
• Title: HIRE: History-Conditioned Interaction Reasoning and High-Rate Execution for Visually Aliased Precision Manipulation
• Title（参考訳）: HIRE:ビジュアル・エイリアスド・精密マニピュレーションのためのヒストリコンディション・インタラクション・推論とハイレート実行
• Abstract要約: 歴史調和型インタラクション・ステート・リゾナ(ISR)とハイレートインタラクション・マニフォールド・エクゼクタ(IME)を組み合わせたクロスレートフレームワークHIREを紹介する。 ISRは命令されたレンチ履歴を時間的レンチエンコーダとフォース・パーシーバーでエンコードする。 IMEは接触臨界運動を本質的な進行と横方向補正に構成し、正確な実行を行う。
• 参考スコア（独自算出の注目度）: 88.74642218250409
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Precision manipulation with contact-critical interactions is often history-dependent: visually similar observations can correspond to different latent interaction states and therefore require different actions, while small execution errors can alter task outcomes. Policies relying on the current visual observation alone cannot resolve such ambiguity; force-aware and memory-augmented methods enrich physical or temporal context, while reactive high-rate policies improve local contact response, yet long-horizon temporal reasoning and precision execution remain largely decoupled in existing methods, limiting reliable progression in visually aliased precision manipulation. To bridge this gap, we introduce History-Conditioned Interaction Reasoning and Execution (HIRE), a cross-rate framework comprising a history-conditioned Interaction-State Reasoner (ISR) and a high-rate Interaction-Manifold Executor (IME). ISR encodes ordered wrench history with a temporal wrench encoder and Force Perceiver as persistent physical evidence for state-consistent action generation, while IME structures contact-critical motion into intrinsic progress and transverse correction for precise execution; their cross-rate loop allows the resulting physical traces to inform subsequent reasoning. In real-robot experiments across surface, insertion, and rotational interactions, HIRE achieves at least 90% completion across all evaluated task stages while improving interaction-state disambiguation, execution precision, and generalization. More broadly, HIRE provides a unified reasoning--execution perspective on precision manipulation under history-dependent partial observability, where physical interaction both realizes task intent and reveals latent-state evidence for future decisions. Code will be released upon publication.
• Abstract（参考訳）: 視覚的に類似した観察は、異なる遅延相互作用状態に対応し、従って異なるアクションを必要とするが、小さな実行エラーはタスクの結果を変えることができる。 現在の視覚的観察にのみ依存する政策は、このような曖昧さを解決できない; 力覚と記憶を増強した手法は、物理的または時間的文脈を豊かにするが、反応性の高いハイレートポリシーは、局所的な接触反応を改善するが、長い水平時間的推論と精度実行は、既存の方法と大きく分離され、視覚的に許容される精度操作の信頼性が制限される。 このギャップを埋めるために,ヒストリコンディション・インタラクション・推論・実行(History-Conditioned Interaction Reasoning and Execution,HIRE)という,ヒストリコンディション・インタラクション・ステート・推論(ISR)とハイレートインタラクション・マンド・エクゼクタ(IME)を組み合わせたクロスレート・フレームワークを導入する。 ISRは、時間的なレンチエンコーダとフォース・パーシーバー(Force Perceiver)で順序付けられたレンチ履歴をステート一貫性のあるアクション生成の永続的な物理的証拠としてエンコードし、IMEは接触臨界運動を本質的な進行と正確な実行のための横方向の補正に構成する。 表面、挿入、回転の相互作用にわたる実ロボット実験において、HIREは、相互作用状態の曖昧さ、実行精度、一般化を改善しながら、すべての評価されたタスクステージで少なくとも90%の完了を達成する。 より広範に、HIREは履歴に依存した部分観測可能性の下での精度操作に関する統一的な推論・実行の視点を提供する。 コードは出版時に公開される。

関連論文リスト

• StateComp: Learning When to Compress History in Long Horizon Agents [55.84813053778976]
  本研究では,現在エージェントの状態に応じて過去のインタラクションを安全に圧縮できるフレームワークであるState Conditioned Compression(StateComp)を提案する。 WorkBenchBuddyの実験では、StateCompはタスク性能を維持しながら総エージェントと要約トークンを52.27%削減し、表現抽出において12.67倍の高速化を実現している。
  論文  参考訳（メタデータ） (2026-09-23T03:34:08Z)
• RAFAIL: Relationship-Aware Failure Detection for Robotic Manipulation [0.4683612295430956]
  RAFAILはロボット操作時の実行障害を検出するためのフレームワークである。 タスク関連関係における異常を検出することによって、障害を識別する。 RAFAILは3つの現実世界のロボット操作タスクで73.4%のバランスの取れた精度を達成した。
  論文  参考訳（メタデータ） (2026-09-16T08:46:02Z)
• FactCheck: Feasibility-aware Long-term Action Anticipation with Multi-agent Collaboration [29.089100270702613]
  長期的な行動予測は、部分的に観察されたビデオから、将来の動詞の行動の順序を予測することを目的としている。 本稿では,FactCheckを提案する。FactCheckは,クローズドループ "Observe-Plan-Verify" 機構によって実現可能性を向上させる新しいマルチエージェント協調フレームワークである。 本研究は,行動認識,行動予測,行動検証のループを効果的に閉鎖する,実現可能性を考慮した長期的行動予測のための新たなパラダイムを確立する。
  論文  参考訳（メタデータ） (2026-06-10T06:25:09Z)
• IMPACT-Scribe: Interactive Temporal Action Segmentation with Boundary Scribbles and Query Planning [75.72434806468884]
  IMPACT-Scribeは高密度ラベリングのための修正駆動のフレームワークである。 不確実性を認識した境界管理、局所的な提案モデリング、コストを意識したクエリ計画、構造化された伝搬、修正駆動適応を組み合わせる。 実験と人間の研究により、このクローズドループの設計は、努力ごとのラベル付け品質を改善し、境界精度を高め、時間とともにより良い人間機械の相互作用を促進することが示されている。
  論文  参考訳（メタデータ） (2026-05-03T01:45:58Z)
• PEAR: Phrase-Based Hand-Object Interaction Anticipation [20.53329698350243]
  ファースト・パーソン・ハンド・オブジェクト・インタラクション・予測は、現在のシーンとプロンプトに基づいてインタラクション・プロセスを予測することを目的としている。 既存の研究は通常、操作を無視しながら相互作用の意図だけを予測している。 インタラクションの意図と操作を共同で予測する新しいモデルPEARを提案する。
  論文  参考訳（メタデータ） (2024-07-31T10:28:49Z)
• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• DIDER: Discovering Interpretable Dynamically Evolving Relations [14.69985920418015]
  本稿では,内在的解釈可能性を備えた汎用的なエンドツーエンドインタラクションモデリングフレームワークであるDIDER,Discovering Interpretable Dynamically Evolving Relationsを紹介する。 合成と実世界の両方のデータセット上でDIDERを評価する。
  論文  参考訳（メタデータ） (2022-08-22T20:55:56Z)
• FineDiving: A Fine-grained Dataset for Procedure-aware Action Quality Assessment [93.09267863425492]
  競争力のあるスポーツビデオにおける行動の高レベル意味論と内部時間構造の両方を理解することが、予測を正確かつ解釈可能なものにする鍵である、と我々は主張する。 本研究では,多様なダイビングイベントに対して,アクションプロシージャに関する詳細なアノテーションを付加した,ファインディビングと呼ばれる詳細なデータセットを構築した。
  論文  参考訳（メタデータ） (2022-04-07T17:59:32Z)

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。