論文の概要: Nudge Before You Push: Physics-Aware Navigation via Tactile Probing

• arxiv url: http://arxiv.org/abs/2610.04924v1
• Date: Sun, 04 Oct 2026 04:08:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-11 07:53:36.381459
• Title: Nudge Before You Push: Physics-Aware Navigation via Tactile Probing
• Title（参考訳）: 触覚検査による物理認識ナビゲーション
• Abstract要約: TacPhysは、任意のRGB-Dとキネマティクスで力列を読み込んで、プッシュ認可のための質量推定を行う。 シミュレーションでは、TacPhysは抵抗のみのベイズ参照にアプローチし、欠落したプッシュを減らす。 ホールアレイの指先を持つ四角いマニピュレータでは、オフラインのゼロショットMAEはコンテナ上で最大2.82kgまで0.08-1.07kgである。
• 参考スコア（独自算出の注目度）: 6.79617902941652
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Visually identical containers can conceal loads that require different handling decisions. We present TANav, which uses a brief nudge to measure push resistance for navigation under a site-defined handling boundary. TacPhys reads the force sequence, with optional RGB-D and kinematics, into a mass estimate for push authorization. A repeated-patrol planner weighs probe and route costs, requests a second contact when useful, and reuses observations across visits. In simulation, TacPhys approaches a resistance-only Bayes reference and reduces missed pushes from 28.7% to 5.5% relative to peak-force thresholding at comparable low-risk operating points. In repeated-patrol simulation, TANav recovers 90% of the oracle's path saving, more than halves human interventions relative to always-detour, and reduces boundary violations from 4.3% to 2.9% relative to RGB-D-only probing. On a quadruped manipulator with a Hall-array fingertip, offline zero-shot MAE is 0.28-1.07 kg on containers up to 2.82 kg. Force-rise calibration at 3 kg gives 93.5% pooled offline accuracy (86.4% on non-cube episodes); a separate raw-peak rule gives 15 of 20 correct online decisions on unseen boxes.
• Abstract（参考訳）: 視覚的に同一のコンテナは、異なる処理決定を必要とする負荷を隠すことができる。 本稿では,サイト定義のハンドリング境界の下でのナビゲーションにおけるプッシュ抵抗を簡易に測定するために,TANavを提案する。 TacPhysは、任意のRGB-Dとキネマティクスで力列を読み込んで、プッシュ認可のための質量推定を行う。 繰り返しパトロールするプランナーは、プローブとルートのコストを重み付け、有用であれば第2のコンタクトを要求し、訪問中の観察を再利用する。 シミュレーションでは、TacPhysは抵抗のみのベイズ基準に近づき、同じ低リスクの動作点におけるピーク力閾値よりも28.7%から5.5%に低下する。 繰り返しパトロールシミュレーションでは、TANavはオラクルの経路の90%を回復し、常に目的地に接する人間の介入を半減させ、RGB-Dのみの探索と比較して境界違反を4.3%から2.9%に減らした。 ホールアレイの指先を持つ四角いマニピュレータでは、オフラインのゼロショットMAEはコンテナ上で最大2.82kgまで0.08-1.07kgである。 フォースライジングのキャリブレーションは3kgで、93.5%のオフライン精度(非キューブエピソードでは86.4%)を与えている。

関連論文リスト

• CounterSteer: Suppressing Indirect Prompt Injection with Activation Steering [4.1626636325601405]
  間接的なプロンプトインジェクションにより、エージェントは信頼できない検索されたテキストを命令として扱う。 モデル内のこの振る舞いを抑える推論時間ディフェンスであるCounterSteerを提案する。
  論文  参考訳（メタデータ） (2026-09-29T02:51:31Z)
• GAUGE: Group-Wise View-Inconsistency Rectification for Feed-Forward 4D Tracking [48.91477882822122]
  本稿では,GAUGE(Group-wise Adaptive Unsupervised Gauge Estimation)について述べる。 方向整合性と空間接続性から運動群を復元し、フレーム単位のラジアルスケールとグループレベルの変換を推定する。 D4RT, 4RC, SM4RTを含む8つのトラッカーの動的クエリポイントでは, 訂正されていない予測に対して, 終端誤差を15.1%から62.6%削減する。
  論文  参考訳（メタデータ） (2026-09-26T13:14:53Z)
• Decoy Direction Optimization: A Post-Hoc Defense Against LLM Abliteration [37.700303596218184]
  RFA(Refusal Feature Ablation)を用いたオープンウェイト言語モデルの安全ガードレールのバイパス 本稿では,DDO(Decoy Direction Optimization)について紹介する。 この効果を定式化するスペクトル境界を証明し、6つのモデルファミリーでDDOを評価し、標準RFA下で10%のASRを達成する。
  論文  参考訳（メタデータ） (2026-09-14T18:36:35Z)
• Compact Visuotactile World Models for Lifting: Prediction, Reward Alignment, and Force Constraints [0.0]
  Visuotactile dynamicsは力の作用効果のMAEを0.413Nから0.338Nに減少させる。 モデル支援フィードバックは、ID予算による成功を73.3%から93.3%に引き上げる。 RLは11.9%、リアクティブIQLは25.0%で成功している。
  論文  参考訳（メタデータ） (2026-09-09T01:50:54Z)
• The Recall Trap: A Recall-Maximizing Retriever Configuration Reduces Issue Resolution in Fixed-Budget Code Context [45.88028371034407]
  コード修復における制御ケーススタディを報告し,新しい現象ではない。 私たちは、同じスタック上の1つのフラグ(1チャンク毎の重複)を切り替えます。 BM25(3.2pp、重要なパラダイム間相互作用)を逆転させる。 厳格な固定予算では、ファイルごとのハードダイドプリケートや、タスクに対するA/Bパッケージングポリシは、メトリックフラグを調整しないことが示されます。
  論文  参考訳（メタデータ） (2026-08-14T19:22:50Z)
• When Does Trace-Driven Evaluation Mislead MoE Expert Caching? Replay Semantics, Workload Contamination, and Operating Regimes [3.471896896439183]
  Mixture-of-Experts (MoE)モデルはアクセラレーターメモリをはるかに上回っている。 ヒット率を上げた政策は、トークン当たりの専門家のトラフィックを減らした。 我々は、数だけでなく結論を変える3つの評価軸を評価する。
  論文  参考訳（メタデータ） (2026-08-08T04:29:20Z)
• Weight-Space Geometry of Offline Reasoning Training [39.20113202952282]
  単一ベースモデル(Qwen3-4B)と注意のみのLoRAを用いた同一の数学的ロールアウトにおける6つの方法(SFT, RFT, DFT, RIFT, Offline GRPO, DPO)を,コサイン類似性,主角部分空間解析,線形モード接続性,CKAを用いて解析した。 i) SFT, RFT, RIFTは、ほぼコリニアウェイトデルタ(cosine >= 0.97, top-1 principal angle 7 deg median over 144 module)と同等のGSM8K精度(87-88%, n=1)を持つ。
  論文  参考訳（メタデータ） (2026-06-21T15:34:21Z)
• BadCLIP++: Stealthy and Persistent Backdoors in Multimodal Contrastive Learning [73.46118996284888]
  マルチモーダル・コントラスト学習モデルに対するバックドア攻撃の研究は、ステルスネスと永続性という2つの大きな課題に直面している。 両課題に対処する統合フレームワークであるBadCLIP++を提案する。 ステルスネスのために,タスク関連領域付近に知覚不可能なパターンを埋め込むセマンティックフュージョンQRマイクロトリガーを導入する。 持続性については、半径縮小とセントロイドアライメントによるトリガ埋め込みを安定化する。
  論文  参考訳（メタデータ） (2026-02-19T08:31:16Z)
• Tactile Grasp Refinement using Deep Reinforcement Learning and Analytic Grasp Stability Metrics [70.65363356763598]
  解析的把握安定性指標が強化学習アルゴリズムの強力な最適化目標であることを示す。 幾何的および力量に依存しないグリップ安定性の指標を組み合わせることで、カブイドの平均成功率は95.4%となることを示す。 第2の実験では,触覚情報を持たないベースラインよりも,接触フィードバックで訓練したグリップリファインメントアルゴリズムが最大6.6%向上することを示した。
  論文  参考訳（メタデータ） (2021-09-23T09:20:19Z)

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。