論文の概要: Learning Keypoint Constraints from Visual Demonstrations for Safe Motion Planning
- arxiv url: http://arxiv.org/abs/2610.19295v1
- Date: Tue, 13 Oct 2026 23:15:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.847192
- Title: Learning Keypoint Constraints from Visual Demonstrations for Safe Motion Planning
- Title（参考訳）: 安全な運動計画のための視覚的指示からのキーポイント制約の学習
- Abstract要約: キーポイント制約学習(Keypoint Constraint Learning, KCL)は、視覚的なデモンストレーションからタスク関連動作制約を学習するためのフレームワークである。
セグメンテーション,視覚的特徴クラスタリング,点追跡から抽出した,スパース3Dオブジェクト中心キーポイントとセマンティックマスクセントロイドを用いて,デモを表現する。
我々はキーポイントのダイナミクスを学習し、専門家の軌道を可能かつほぼ局所的に最適にする距離と方向に基づく制約を推論する。
- 参考スコア（独自算出の注目度）: 4.059849656394191
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present Keypoint Constraint Learning (KCL), a framework for learning task-relevant motion constraints from visual demonstrations and for planning safely with the extracted constraints. To make constraint learning tractable from RGB-D observations, we represent demonstrations using sparse 3D object-centric keypoints and semantic mask centroids extracted through segmentation, visual feature clustering, and point tracking. In this reduced geometric space, we learn keypoint dynamics and infer distance- and orientation-based constraints that make the expert trajectories feasible and approximately locally optimal by enforcing KKT optimality conditions in the reduced state space. We then plan with the learned constraints under uncertainty, using robustness margins derived from accumulated prediction error, and provide a theoretical analysis of how keypoint perception error and learned dynamics error affect the recovered constraints. We evaluate KCL on visual demonstrations from navigation to rigid/deformable manipulation, showing that it recovers multi-stage geometric constraints and outperforms baselines in downstream safe planning.
- Abstract（参考訳）: 視覚的なデモンストレーションからタスク関連動作制約を学習し,抽出した制約を安全に計画するためのフレームワークであるKeypoint Constraint Learning (KCL)を提案する。
RGB-D観測から制約学習を抽出するために,分割,視覚的特徴クラスタリング,点追跡を通じて抽出したスパース3Dオブジェクト中心キーポイントとセマンティックマスクセントロイドを用いて実演を表現する。
この縮小幾何空間において、縮小状態空間におけるKKT最適条件を強制することにより、専門家軌跡を可能かつほぼ局所的に最適にするキーポイントダイナミクスと距離および向きに基づく制約を学習する。
次に,予測誤差の蓄積から得られるロバスト性マージンを用いて,不確実性の下で学習制約を計画し,キーポイント認識誤差と学習力学誤差が回復制約にどのように影響するかを理論的に分析する。
ナビゲーションから剛性・変形可能な操作に至るまでの視覚的実演において,KCLは多段階の幾何的制約を回復し,下流の安全な計画においてベースラインよりも優れることを示す。
関連論文リスト
- PILOT: Privileged Imitation Learning for End-to-End Motion Planning of Autonomous UAVs under Partial Observability [7.550075542886951]
本稿では、視覚に基づくエンドツーエンドUAV計画のための制約対応の特権的模倣学習フレームワークであるPILOTについて述べる。
論文 参考訳（メタデータ） (2026-08-14T08:43:59Z) - Vision Pretraining for Dense Spatial Perception [69.54043654361772]
我々は境界中心レンズによる視力事前訓練について研究し、境界と形状の不連続性が幾何学的性質の知覚に必須の手がかりとなるという前提によって動機づけられた。
その結果,境界モデリングは単純な線分を超えて,空間的に構造化された視覚表現を学習するためのスケーラブルな事前学習原理として機能することがわかった。
論文 参考訳（メタデータ） (2026-07-06T15:56:14Z) - SpaceEra++: A Unified Framework Towards 3D Spatial Reasoning in Video [88.79625979053873]
事前学習型視覚言語モデル(VLM)のための新しいフレームワークSpaceEraを提案する。
データ構築、モデル設計、トレーニング最適化、推論の促進にまたがる、SpaceEra++と呼ばれる、オリジナルのフレームワークを包括的なシステムに拡張します。
さらに,空間的推論を強化するために,絶対座標と相対空間関係を協調的に利用することにより,対物制約を強制するSpaceAlignを開発した。
論文 参考訳（メタデータ） (2026-07-02T06:56:29Z) - MSACT: Multistage Spatial Alignment for Stable Low-Latency Fine Manipulation [4.439585594082787]
実世界の微視的操作、特に双方向操作では、低レイテンシ制御と安定した視覚的位置決めが必要となる。
ACTのようなアクションチャンキングポリシーは、低レイテンシの実行とデータ効率を可能にするが、空間的一貫性を明示することなく、密集した視覚的特徴に依存している。
安定な2次元アテンションポイントを抽出し,時間的アライメントロスを伴う将来のアテンションシーケンスを共同で予測する多段階空間アテンションモジュールを提案する。
論文 参考訳（メタデータ） (2026-05-01T07:35:15Z) - On Multi-Step Theorem Prediction via Non-Parametric Structural Priors [50.16583672681106]
本研究では,インコンテキスト学習(ICL)のレンズによる学習自由な定理予測について検討する。
本稿では,過去の解の時間的依存関係を有向グラフとしてエンコードし,推論中に探索空間を効果的に引き起こす明示的なトポロジ的制約を課すTheorem Precedence Graphsを提案する。
FormalGeo7kベンチマークの実験から,本手法は89.29%の精度を実現し,ICLベースラインを著しく上回り,最先端の教師付きモデルに適合することがわかった。
論文 参考訳（メタデータ） (2026-03-05T06:08:50Z) - Offline Action-Free Learning of Ex-BMDPs by Comparing Diverse Datasets [87.62730694973696]
本稿では,エージェント間の制御可能な特徴ダイナミクスの違いを利用して表現を学習する,サンプル効率のよいアルゴリズムCRAFTを紹介する。
我々はCRAFTの性能を理論的に保証し、おもちゃの例でその実現可能性を示す。
論文 参考訳（メタデータ） (2025-03-26T22:05:57Z) - Neighbor-Aware Calibration of Segmentation Networks with Penalty-Based
Constraints [19.897181782914437]
本稿では,ロジット値の等式制約に基づく基本的かつ単純な解を提案し,強制制約と罰則の重みを明示的に制御する。
我々のアプローチは、広範囲のディープセグメンテーションネットワークのトレーニングに利用できる。
論文 参考訳（メタデータ） (2024-01-25T19:46:57Z) - Learning Equality Constraints for Motion Planning on Manifolds [10.65436139155865]
深層ニューラルネットワークを用いた実演から制約の表現を学習する問題について考察する。
鍵となる考え方は、制約付きサンプリングベースのモーションプランナに統合に適した制約のレベルセット関数を学習することである。
学習した制約と分析的に記述された制約の両方をプランナーに組み合わせ、プロジェクションベースの戦略を使って有効点を見つけます。
論文 参考訳（メタデータ） (2020-09-24T17:54:28Z) - Constrained episodic reinforcement learning in concave-convex and
knapsack settings [81.08055425644037]
コンケーブ報酬と凸制約のある設定に対して、強力な理論的保証を持つモジュラー解析を提供する。
実験により,提案アルゴリズムは既存の制約付きエピソード環境において,これらの手法を著しく上回ることを示した。
論文 参考訳（メタデータ） (2020-06-09T05:02:44Z) - Predictive Coding for Locally-Linear Control [92.35650774524399]
高次元観測と未知のダイナミクスは、多くの実世界の意思決定タスクに最適な制御を適用する際に大きな課題である。
Learning Controllable Embedding (LCE)フレームワークは、観測結果を低次元の潜伏空間に埋め込むことによって、これらの課題に対処する。
理論的には、明示的な次観測予測を予測符号化に置き換えることが可能である。
論文 参考訳（メタデータ） (2020-03-02T18:20:41Z) - Learning Constraints from Locally-Optimal Demonstrations under Cost
Function Uncertainty [6.950510860295866]
本稿では,最適化されたコスト関数が学習者に不確実な地域最適実証からパラメトリック制約を学習するアルゴリズムを提案する。
本手法では、混合整数線形プログラム(MILP)における実演のKKT最適条件を用いて、実演の局所的最適性に整合した制約を学習する。
7-DOFアームと四重項の制約を学習することで高次元制約とシステムの評価を行い、競合する制約学習手法よりも優れており、環境における新しい制約満足軌道の計画に効果的に利用できることを示す。
論文 参考訳（メタデータ） (2020-01-25T15:57:48Z)
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。