論文の概要: When to Make a Decision: Task-Sufficient Active Perception for Mobile Manipulator Robots

• arxiv url: http://arxiv.org/abs/2610.23891v1
• Date: Mon, 28 Sep 2026 10:00:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:52:18.794504
• Title: When to Make a Decision: Task-Sufficient Active Perception for Mobile Manipulator Robots
• Title（参考訳）: 意思決定のタイミング:移動マニピュレータロボットのタスク十分能動知覚
• Abstract要約: 未知環境におけるタスク十分能動的知覚のための概念的ハイブリッド型ニューロシンボリック・フレームワークを提案する。 提案手法は、ロボットが追加情報を集める方法だけでなく、それ以上の知覚が不要な場合にも決定できるようにすることを目的としている。
• 参考スコア（独自算出の注目度）: 12.182397348550397
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A robotic agent operating in an unknown environment must gather sufficient task-relevant information before acting. However, determining when the available information is sufficient remains a challenge. We propose a conceptual hybrid neuro-symbolic framework for task-sufficient active perception in unknown environments. After interpreting a requested task, the agent generates an initial plan and iteratively reevaluates it as new information becomes available. At each iteration, it can acquire a more informative viewpoint, inspect or manipulate candidate objects, ask the user for clarification, or perform the task. Neural perception modules update an object-centric belief state, while a symbolic decision layer determines whether the remaining uncertainty justifies further information gathering. The framework will be implemented on a mobile manipulator comprising a humanoid torso and a mobile base, with complementary evaluation in simulation. The proposed approach aims to enable robots to determine not only how to gather additional information, but also when further perception is no longer necessary.
• Abstract（参考訳）: 未知の環境で動作しているロボットエージェントは、行動する前に十分なタスク関連情報を収集しなければならない。 しかし、利用可能な情報がいつ十分であるかは依然として課題である。 未知環境におけるタスク十分能動的知覚のための概念的ハイブリッド型ニューロシンボリック・フレームワークを提案する。 要求されたタスクを解釈した後、エージェントは初期計画を生成し、新しい情報が入り次第反復的に再評価する。 イテレーション毎に、より情報的な視点を取得し、候補オブジェクトを検査または操作したり、ユーザに対して明確化を依頼したり、タスクを実行したりすることができる。 ニューラルネットワークモジュールはオブジェクト中心の信念状態を更新し、シンボリック決定層は残りの不確実性がさらなる情報収集を正当化するか否かを決定する。 このフレームワークは人型胴体と移動体ベースからなる移動マニピュレータ上に実装され,シミュレーションで補完的な評価を行う。 提案手法は、ロボットが追加情報を集める方法だけでなく、それ以上の知覚が不要な場合にも決定できるようにすることを目的としている。

関連論文リスト

• Proactive Physical AI through Continuous Observation and Timely Intervention [67.51229925917208]
  ProAgentは2つのコンポーネントを中心に構築されたエンドツーエンドシステムである。 Jevスタイルのプロアクティブタイミングモデルは、介入が必要かどうかを判断する。 Response Modelは、人に対するレスポンスを生成したり、物理的実行のために利用可能なデバイス機能を呼び出す。
  論文  参考訳（メタデータ） (2026-10-12T15:33:34Z)
• Collaborative Instance Object Navigation: Leveraging Uncertainty-Awareness to Minimize Human-Agent Dialogues [54.81155589931697]
  協調インスタンスオブジェクトナビゲーション(CoIN)は、エージェントがターゲットインスタンスに関する不確実性を積極的に解決する新しいタスク設定である。 未認識者に対するエージェント・ユーザインタラクション(AIUTA)の新たな学習自由化手法を提案する。 まず、オブジェクト検出時に、セルフクエチオナーモデルがエージェント内で自己対話を開始し、完全かつ正確な観察記述を得る。 インタラクショントリガーモジュールは、人間に質問するか、継続するか、ナビゲーションを停止するかを決定する。
  論文  参考訳（メタデータ） (2024-12-02T08:16:38Z)
• SECURE: Semantics-aware Embodied Conversation under Unawareness for Lifelong Robot Learning [17.125080112897102]
  本稿では,無意識下での再配置と呼ぶ対話型タスク学習シナリオについて論じる。 エージェントは、タスクの解決に必要な重要な概念を知らずに剛体環境を操作し、デプロイメント中にそれについて学ぶ必要がある。 本稿では,このようなシナリオに対処するための対話型タスク学習ポリシーSECUREを紹介する。
  論文  参考訳（メタデータ） (2024-09-26T11:40:07Z)
• State Representations as Incentives for Reinforcement Learning Agents: A Sim2Real Analysis on Robotic Grasping [3.4777703321218225]
  本研究は、特定のロボットタスクを解くためのエージェントのインセンティブ化における様々な表現の効果について検討する。 手作りの数値状態から符号化された画像ベース表現に至るまで、状態表現の連続体が定義される。 シミュレーションにおけるエージェントの課題解決能力に対する各表現の影響と実ロボットへの学習方針の伝達可能性について検討した。
  論文  参考訳（メタデータ） (2023-09-21T11:41:22Z)
• Can Foundation Models Perform Zero-Shot Task Specification For Robot Manipulation? [54.442692221567796]
  タスク仕様は、熟練していないエンドユーザの関与とパーソナライズされたロボットの採用に不可欠である。 タスク仕様に対する広く研究されているアプローチは、目標を通じて、コンパクトな状態ベクトルまたは同じロボットシーンのゴールイメージを使用することである。 そこで本研究では,人間の指定や使用が容易な目標仕様の代替的,より汎用的な形式について検討する。
  論文  参考訳（メタデータ） (2022-04-23T19:39:49Z)
• Information-Theoretic Odometry Learning [83.36195426897768]
  生体計測推定を目的とした学習動機付け手法のための統合情報理論フレームワークを提案する。 提案フレームワークは情報理論言語の性能評価と理解のためのエレガントなツールを提供する。
  論文  参考訳（メタデータ） (2022-03-11T02:37:35Z)
• Information is Power: Intrinsic Control via Information Capture [110.3143711650806]
  我々は,潜時状態空間モデルを用いて推定したエージェントの状態訪問のエントロピーを最小化する,コンパクトで汎用的な学習目的を論じる。 この目的は、不確実性の低減に対応する環境情報収集と、将来の世界状態の予測不可能性の低減に対応する環境制御の両方をエージェントに誘導する。
  論文  参考訳（メタデータ） (2021-12-07T18:50:42Z)
• Improving Object Permanence using Agent Actions and Reasoning [8.847502932609737]
  既存のアプローチは、低レベルの知覚からオブジェクト永続性を学ぶ。 我々は、ロボットが実行された動作に関する知識を使用する場合、オブジェクトの永続性を改善することができると論じる。
  論文  参考訳（メタデータ） (2021-10-01T07:09:49Z)
• Attention-Based Planning with Active Perception [21.35365462532568]
  本稿では,マルコフ決定過程における注意の計算モデルと注意に基づく確率的計画法を提案する。 異なる注意モードを切り替えることで、ロボットはタスク関連情報を積極的に認識し、ほぼ最適のタスク性能を達成しつつ、情報取得と処理のコストを削減する。
  論文  参考訳（メタデータ） (2020-11-30T19:07:28Z)

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。