論文の概要: Predicting Cable Dynamics with Physical Attention Bias

• arxiv url: http://arxiv.org/abs/2610.11975v1
• Date: Thu, 08 Oct 2026 13:51:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.061911
• Title: Predicting Cable Dynamics with Physical Attention Bias
• Title（参考訳）: 物理的注意バイアスによるケーブルダイナミクスの予測
• Abstract要約: 変形可能な線形物体(DLO)の学習シミュレータは、訓練されていないケーブルの動きを予測し、長時間のロールアウトで安定した状態を保つ必要がある。 ケーブルセグメントのすべての対に対する注意は、その長さに沿って遠く離れているケーブルの部分間の接触を表すことができるが、注意は幾何の概念を持たない。 物理的な注意バイアス、学習率で注目ログに付加的な用語を追加し、どの距離を使うべきかを尋ねます。
• 参考スコア（独自算出の注目度）: 7.291396653006809
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learned simulators for deformable linear objects (DLOs) such as cables have to predict the motion of cables they were not trained on and stay stable over long rollouts. Most of their error occurs where the cable touches itself or the floor. Attention over all pairs of cable segments can represent contact between parts of the cable that are far apart along its length, but attention has no notion of geometry. A cable has two pairwise distances, which agree only while it is straight: the arc-length distance along the cable, which governs elastic forces, and the Euclidean distance in space, which governs contact. We add a physical attention bias, an additive term on the attention logits with a learned rate, and ask which distance it should use. We compare no bias, each distance alone, and both distances on disjoint sets of heads, keeping the rest of the model and the training protocol fixed. A physical bias improves prediction on unseen cables. The gain is largest when attention is the only mechanism that connects distant segments: there, the arc-length bias reduces prediction error by 15% and more than halves the drift in segment length. The Euclidean bias alone stays close to unbiased attention, while assigning both distances across heads is best or near-best on every metric we report. Code and per-run records: https://github.com/avihaig/dlogps.
• Abstract（参考訳）: ケーブルのような変形可能な線形物体(DLO)の学習シミュレータは、訓練されていないケーブルの動きを予測し、長時間のロールアウトを安定させなければならない。 エラーのほとんどは、ケーブルが自分自身や床に触れるところで行われる。 ケーブルセグメントのすべての対に対する注意は、その長さに沿って遠く離れたケーブルの部分の間の接触を表すことができるが、注意は幾何の概念を持たない。 ケーブルは2対の距離を持ち、直線である間だけ一致する:ケーブルに沿った弧長距離は弾性力を支配し、空間におけるユークリッド距離は接触を支配している。 物理的な注意バイアス、学習率で注目ログに付加的な用語を追加し、どの距離を使うべきかを尋ねます。 モデルとトレーニングプロトコルの残りの部分を固定したままにしておくことで、バイアス、各距離、および両頭部間の距離を比較します。 物理的バイアスは、見えないケーブルの予測を改善する。 ここでは、アーク長バイアスが予測誤差を15%減らし、セグメント長のドリフトを半減させる。 ユークリッドバイアスだけは、偏見のない注意に近づきつつ、私たちの報告するすべての指標において、両頭部間の距離を割り当てるのが最善か最善である。 コードと実行時のレコード: https://github.com/avihaig/dlogps。

関連論文リスト

• Autonomous Subsea Cable Search and Tracking with Graph-Optimised Priors and Visual Tracking [0.7674821758469581]
  本稿では,未確定なケーブル経路マップを利用した新しいケーブル探索・追跡手法を提案する。 経路不確実性は、物理に基づくカテナリーモデルを用いた観測からの距離の関数として制約される。 初期のケーブルルートマップに意図的な誤りがあったにもかかわらず、システムはケーブルを正常に配置し、これを観測と一致させるように更新した。
  論文  参考訳（メタデータ） (2026-06-22T17:08:10Z)
• Autonomously Unweaving Multiple Cables Using Visual Feedback [27.549099502088875]
  ケーブルは変形可能であり、結び目と複数の織布のセグメントの組み合わせを持つことができる。 本稿では、視覚フィードバックを利用して、ゆるく絡み合ったケーブルの束を解き放つ方法を提案する。 上記の認識計画処理を繰り返すことで、電線や靴紐を84%の成功率で解織できることを実験的に実証した。
  論文  参考訳（メタデータ） (2025-12-13T21:42:45Z)
• Vanishing Point Estimation in Uncalibrated Images with Prior Gravity Direction [82.72686460985297]
  我々はマンハッタンのフレームを推定する問題に取り組む。 2つの新しい2行解法が導出され、そのうちの1つは既存の解法に影響を与える特異点に悩まされない。 また、局所最適化の性能を高めるために、任意の行で実行される新しい最小でないメソッドを設計する。
  論文  参考訳（メタデータ） (2023-08-21T13:03:25Z)
• Fisher-Rao distance and pullback SPD cone distances between multivariate normal distributions [7.070726553564701]
  正規多様体の準多様体への微分同相埋め込みに基づく距離のクラスを導入する。 コーン上の射影ヒルベルト距離が埋め込み正規部分多様体上の計量となることを示す。 このような距離をクラスタリングタスクでどのように使うかを示します。
  論文  参考訳（メタデータ） (2023-07-20T07:14:58Z)
• Autonomously Untangling Long Cables [79.09016120505088]
  ケーブルは多くの設定でユビキタスですが、セルフオクルージョンや結び目が多いです。 本稿では,二足歩行ロボットを用いて,最大3mのケーブルを自律的にアンハングリングすることに焦点を当てた。 我々は,この作業に特化した長尺ケーブルと新しい顎を効率的に切り離す新しい動作プリミティブを開発した。
  論文  参考訳（メタデータ） (2022-07-16T02:35:09Z)
• Embedding Signals on Knowledge Graphs with Unbalanced Diffusion Earth Mover's Distance [63.203951161394265]
  現代の機械学習では、多くの領域における観測間の相互作用や類似性によって生じる大きなグラフに遭遇することが一般的である。 本研究では,地球移動器距離(EMD)と測地コストを基礎となるグラフ上で比較し,グラフ信号のデータセットを整理する。 いずれの場合も,UDEMDをベースとした埋め込みは,他の手法と比較して高精度な距離を求めることができる。
  論文  参考訳（メタデータ） (2021-07-26T17:19:02Z)
• Channelized Axial Attention for Semantic Segmentation [70.14921019774793]
  チャネルアキシャルアテンション(CAA)を提案し、チャネルアテンションと軸アテンションをシームレスに統合し、計算複雑性を低減します。 私たちのCAAは、DANetのような他の注意モデルに比べて計算リソースをはるかに少なくするだけでなく、すべての検証済みデータセット上で最先端のResNet-101ベースのセグメンテーションモデルよりも優れています。
  論文  参考訳（メタデータ） (2021-01-19T03:08:03Z)
• DA-Transformer: Distance-aware Transformer [87.20061062572391]
  DA-Transformerは、実際の距離を利用することができる距離対応トランスである。 本稿では,実距離を利用した距離認識変換器であるDA-Transformerを提案する。
  論文  参考訳（メタデータ） (2020-10-14T10:09:01Z)
• Collective radiation from distant emitters [63.391402501241195]
  放射界のスペクトルは、標準超輝度を超えた直線幅の拡大のような非マルコフ的特徴を示すことを示す。 本稿では,超伝導回路プラットフォームにおける概念実証実装について論じる。
  論文  参考訳（メタデータ） (2020-06-22T19:03:52Z)

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。