論文の概要: From Language to Motion: Task-Conditioned Focal-Stack Trajectory Integration for Microscopic Robots

• arxiv url: http://arxiv.org/abs/2610.12241v1
• Date: Thu, 08 Oct 2026 16:21:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.159875
• Title: From Language to Motion: Task-Conditioned Focal-Stack Trajectory Integration for Microscopic Robots
• Title（参考訳）: 言語から運動へ:顕微鏡ロボットのためのタスク記述型フーカルスタック軌道統合
• Abstract要約: マイクロロボットは、言語、部品、焦点の変化にもかかわらず、正確なタスク幾何学を必要とする。 本稿では,命令を制約付き幾何演算子にマッピングし,凍結した語彙認識を再利用し,局所的に信頼性の高い焦点面軌道を統合する意味-物理的枠組みを提案する。
• 参考スコア（独自算出の注目度）: 14.801190313544248
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Microscopic robots require accurate task geometry despite changes in language, parts, and focus. We present a semantic-to-physical framework that maps instructions to constrained geometric operators, reuses frozen open-vocabulary perception, and integrates locally reliable focal-plane trajectories by confidence weighting and dynamic programming. Calibrated multi-view geometry connects 2-D paths to physical execution. Prompt, unseen-part, and geometry reconfiguration tests yield 6.30-6.59-pixel RMSE. Relative to part-specific U-Net training with 20-100 labels, the proposed zero-new-label configuration takes 15 rather than 72-165 min. Across nine part-illumination conditions, trajectory-space integration reduces RMSE from 14.41 to 6.28 pixels (56.4%) and P95 error from 20.07 to 8.13 pixels (59.5%) compared with image-first multi-focus fusion. An ablation isolates the roles of confidence and path-wise selection. In representative robot experiments, target-region coverage improves from 83.5% to 92.9%. Dispensing provides a measurable physical trace, not a task-specific limitation of the method.
• Abstract（参考訳）: マイクロロボットは、言語、部品、焦点の変化にもかかわらず、正確なタスク幾何学を必要とする。 本稿では,命令を制約付き幾何演算子にマッピングし,凍結した語彙認識を再利用し,信頼度重み付けと動的プログラミングにより局所的に信頼性の高い焦点面軌道を統合するセマンティック・ツー・フィジカル・フレームワークを提案する。 キャリブレーションされたマルチビュー幾何は2次元パスを物理的実行に接続する。 プロンプト、見えない部分、および幾何再構成テストは6.30-6.59ピクセルのRMSEを生成する。 20-100ラベルのパート固有のU-Netトレーニングとは対照的に、提案されたゼロラベル構成は72-165分ではなく15分である。 9つの部分照明条件の中で、軌道空間の統合によりRMSEは14.41ピクセルから6.28ピクセル(56.4%)、P95エラーは20.07ピクセルから8.13ピクセル(59.5%)に減少する。 アブレーションは、信頼と経路選択の役割を分離する。 代表的ロボット実験では、目標領域のカバレッジは83.5%から92.9%に改善されている。 ディスペンシングは、メソッドのタスク固有の制限ではなく、測定可能な物理的トレースを提供する。

関連論文リスト

• Lightweight Machine Learning-Driven Monocular Sidewalk Path Extraction for Embedded Micromobility Navigation [4.8020139207509684]
  小型で低消費電力なハードウェア上で確実に動作するマイクロモビリティシステムにおいて,歩道経路抽出のための単眼視覚パイプラインを提案する。 コンパクトなSegFormer-B0学生モデルは、OneFormer Swin-Lの擬似ラベルを用いて教師付きセミ教師付きフレームワークで訓練され、1フレーム当たり11.7msで0.946の手書きのIoUを達成する。 6つのキャンパスにまたがるフルビデオのリプレイでは、改良されたセグメンテーションによって時間的不安定が1.46%から0.33%に減少することを確認した。
  論文  参考訳（メタデータ） (2026-08-25T21:49:18Z)
• An Intelligent-Cloud Edge Multimodal Interaction System for Robots [4.1212219465063304]
  本稿では,拡張YOLOに基づくジェスチャー検出と,協調型大言語モデル(LLM)と視覚言語モデル(VLM)エージェントを統合したクラウドエッジマルチモーダルインタラクションフレームワークを提案する。 クラウド層はジェスチャー検出、シーン理解、マルチモーダル融合、アクション計画を実行する一方、TonyPiロボットはデータ取得、通信、アクション実行、フィードバックをローカルに処理する。
  論文  参考訳（メタデータ） (2026-07-16T07:39:18Z)
• Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
  PointArena 2026は77.2%の精度でベンチマークで2位である。 ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。 次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
  論文  参考訳（メタデータ） (2026-06-29T06:39:03Z)
• Do Foundation Models Know Geometry? Probing Frozen Features for Continuous Physical Measurement [0.0]
  視覚言語モデルは、それらのテキスト経路が表現できないような幾何学を符号化する。 ロラ微調整(r=16, 2,000枚)は、このギャップを6.5度に縮める。 これらの知見は、単一の凍結したバックボーンがマルチタスク幾何学的センサーとして機能することを可能にした。
  論文  参考訳（メタデータ） (2026-03-06T16:48:27Z)
• SpatialActor: Exploring Disentangled Spatial Representations for Robust Robotic Manipulation [63.48859753472547]
  SpaceActorは、意味論と幾何学を明確に分離する堅牢なロボット操作のためのフレームワークである。 RLBenchの87.4%で最先端のパフォーマンスを達成し、ノイズの異なる条件下では13.9%から19.4%改善している。
  論文  参考訳（メタデータ） (2025-11-12T18:59:08Z)
• Building Math Agents with Multi-Turn Iterative Preference Learning [56.71330214021884]
  本稿では,モデル性能をさらに向上させるために,補完的な直接選好学習手法について検討する。 既存の直接選好学習アルゴリズムは、もともとシングルターンチャットタスク用に設計されている。 この文脈に合わせたマルチターン直接選好学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-04T02:41:04Z)
• Ultra-low Power Deep Learning-based Monocular Relative Localization Onboard Nano-quadrotors [64.68349896377629]
  この研究は、2つのピアナノドロンのディープニューラルネットワーク(DNN)を介して、単分子の相対的な局所化に対処する、新しい自律的なエンドツーエンドシステムを示す。 超制約ナノドローンプラットフォームに対処するため,データセットの増大,量子化,システム最適化などを含む垂直統合フレームワークを提案する。 実験の結果,DNNは低分解能モノクローム画像のみを用いて最大2mの距離で10cmのターゲットナノドローンを正確に局在させることができることがわかった。
  論文  参考訳（メタデータ） (2023-03-03T14:14:08Z)
• Global Context Vision Transformers [78.5346173956383]
  我々は,コンピュータビジョンのパラメータと計算利用を向上する新しいアーキテクチャであるGC ViT(Global context vision transformer)を提案する。 本稿では,ViTにおける帰納バイアスの欠如に対処し,アーキテクチャにおける可溶性逆残差ブロックを改良して活用することを提案する。 提案したGC ViTは,画像分類,オブジェクト検出,セマンティックセマンティックセグメンテーションタスクにまたがる最先端の処理結果を実現する。
  論文  参考訳（メタデータ） (2022-06-20T18:42:44Z)

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。