論文の概要: I Won't Know Until I Try: Interactive Information Gathering for Long-Horizon Manipulation
- arxiv url: http://arxiv.org/abs/2610.33959v1
- Date: Sun, 25 Oct 2026 00:21:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.493073
- Title: I Won't Know Until I Try: Interactive Information Gathering for Long-Horizon Manipulation
- Title（参考訳）: I don't Know I Try: Interactive Information Gathering for Long-Horizon Manipulation
- Abstract要約: 本稿では,タスク指向型対話型情報収集とインターリーブ型計画・実行を統合したタスク・アンド・モーション・プランニング(TAMP)フレームワークを提案する。
PDDLStreamをベースとした当社のフレームワークは,これらのインタラクティブなアクションを楽観的に実施し,実行中の結果を確認し,まだ適用可能なアクションを維持し,実行継続に必要なコネクションのみをリプランすることで,残りの計画に適応する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Long-horizon manipulation often depends on object properties that cannot be reliably inferred from appearance alone. Physical interaction can reveal these properties, but it can also change the world in ways that invalidate subsequent actions. We present a task and motion planning (TAMP) framework that integrates task-directed interactive information-gathering with interleaved planning and execution. Building on PDDLStream, our framework plans optimistically with these interactive actions, verifies their outcomes during execution, and adapts the remaining plan by retaining still-applicable actions and replanning only the connections needed to continue execution. We evaluate the framework in simulation and on a real robot across tasks that require determining whether an object is movable, a pen has ink, a drawer can be opened, or a container is empty. These experiments demonstrate how interaction-driven state updates and recovery replanning support continued execution under uncertain outcomes and external disturbances.
- Abstract（参考訳）: ロングホライゾンの操作は、外見だけでは確実に推測できない物体の性質に依存していることが多い。
物理的相互作用はこれらの性質を明らかにすることができるが、その後の動作を無効にする方法で世界を変えることもできる。
本稿では,タスク指向型対話型情報収集とインターリーブ型計画・実行を統合したタスク・アンド・モーション・プランニング(TAMP)フレームワークを提案する。
PDDLStreamをベースとした当社のフレームワークは,これらのインタラクティブなアクションを楽観的に実施し,実行中の結果を確認し,まだ適用可能なアクションを維持し,実行継続に必要なコネクションのみをリプランすることで,残りの計画に適応する。
我々は,物体が動いたり,ペンがインクを持っていたり,引き出しが開いたり,容器が空であったりするタスクに対して,シミュレーションおよび実際のロボット上で,その枠組みを評価する。
これらの実験は、不確実な結果と外部の障害の下で、インタラクション駆動状態更新とリカバリリプランのサポートが実行を継続することを示す。
関連論文リスト
- RoboBridge: A Self-Evolving Embodied Agent Framework for Sim-to-Real Transfer [54.448285795003294]
インボディード・インテリジェンスを現実世界に持ち込む上での課題は、シミュレーションから現実への能力移転だ。
本稿では,Sim-to-real転送を実行可能なタスクスキルの継続的な適応として扱うフレームワークであるRoboBridgeを提案する。
論文 参考訳（メタデータ） (2026-10-02T02:53:57Z) - HIRE: History-Conditioned Interaction Reasoning and High-Rate Execution for Visually Aliased Precision Manipulation [88.74642218250409]
歴史調和型インタラクション・ステート・リゾナ(ISR)とハイレートインタラクション・マニフォールド・エクゼクタ(IME)を組み合わせたクロスレートフレームワークHIREを紹介する。
ISRは命令されたレンチ履歴を時間的レンチエンコーダとフォース・パーシーバーでエンコードする。
IMEは接触臨界運動を本質的な進行と横方向補正に構成し、正確な実行を行う。
論文 参考訳（メタデータ） (2026-09-25T05:13:23Z) - Plan Along the Way: Event-Triggered Foundation-Model Planning for TAMP Execution in Partially Observable Manipulation [1.37013665345905]
ROBUST TAMPは、リアクティブTAMPのためのモジュール式LLM/VLM誘導計画フレームワークである。
システムは、完了アクション履歴と構造化されたリプランイベントコンテキストを用いて、可視的なシーン状態とリプランを再構築する。
6つのRLBench/CoppeliaSimキッチンと、非ターゲットオブジェクト発見、関節-コンテナ相互作用、時間的操作を含むグリル変種で評価を行う。
論文 参考訳（メタデータ） (2026-08-28T08:44:47Z) - ScrambleToolBench: Agents Search Exhaustively Even When Their Own Map Points to the Next Step [74.83535434786145]
ScrambleToolBenchは,行動推論の分離を目的とした対話型端末ベンチマークである。
このベンチマークでは、エージェントがテストとエラーのインタラクションを通じて、隠されたツールの振る舞いを明らかにする必要がある。
現状の言語モデルに対する我々の評価は、初期発見が成功しても頑健な適応にはならないことを示している。
論文 参考訳（メタデータ） (2026-08-03T15:07:46Z) - Joint Discovery of Object and Action Symbols through Effect Prediction for Robotic Manipulation Planning [1.4701783773624093]
本稿では,ハイレベルな操作プリミティブとオブジェクトカテゴリを共同で発見するモデルを提案する。
我々は、予測効果軌道の中間ステップを用いて、部分的な動作実行を可能にする離散的な計画手法を利用する。
我々はテーブルトップ再配置および積み重ね作業の実験を行い、我々の効果駆動型計画手法が最先端の手法と視覚に基づく代替案の両方より優れていることを確認した。
論文 参考訳（メタデータ） (2026-06-22T11:58:11Z) - Afford-VLA: Action-Aligned Visual Planning via Internalized Affordance [108.46436073194546]
効果的なプランニングは、ローカルで、視覚的に基礎があり、内部で生成され、アクションと直接整合するべきである、と私たちは主張する。
本稿では,タスク条件付きアベイランスをVLAモデル内で明示的な視覚的計画インターフェースとして内包する統合フレームワークであるAfford-VLAを提案する。
論文 参考訳（メタデータ） (2026-05-22T20:43:47Z) - From Perception to Action: An Interactive Benchmark for Vision Reasoning [51.11355591375073]
Causal Hierarchy of Actions and Interactions (CHAIN)ベンチマークは、モデルが物理的制約に基づいて構造化されたアクションシーケンスを理解し、計画し、実行できるかを評価するために設計された。
CHAINは、受動的知覚からアクティブな問題解決、機械パズルのインターロックや3D積み重ね、パッキングといったタスクへと評価をシフトする。
以上の結果から,トップパフォーマンスモデルでは,物理構造や因果制約の内在化に苦慮し,信頼性の高い長期計画の作成に失敗することが多く,認識された構造を効果的に翻訳することができないことが示唆された。
論文 参考訳（メタデータ） (2026-02-24T15:33:02Z) - Action-Sketcher: From Reasoning to Action via Visual Sketches for Long-Horizon Robotic Manipulation [37.76888706583038]
長距離ロボット操作は、現実世界の展開においてますます重要になっている。
既存のエンドツーエンドおよび階層的なビジョン・ランゲージ・アクションポリシーは、しばしばテキストのみの手がかりに依存している。
ロボットの現在のビューに、ポイント、ボックス、矢印、型付き関係を描画する、不可解な視覚中間体であるVisual Sketchを導入する。
本稿では,サイクリックSee-Think-Sketch-Actワークフローで動作するVLAフレームワークであるAction-Sketcherを紹介する。
論文 参考訳（メタデータ） (2026-01-04T17:53:42Z) - Rethinking Progression of Memory State in Robotic Manipulation: An Object-Centric Perspective [16.541717037293278]
物体レベルの部分観測性の下でのストレステストロボット操作のための非マルコフタスクスイートであるLIBERO-Memを紹介する。
短軸と長軸の物体追跡と時間的に順序付けられたサブゴールを組み合わせ、現在のフレームを超えて推論を必要とする。
Embodied-SlotSSMは時間的拡張性のために構築されたスロット中心のVLAフレームワークである。
論文 参考訳（メタデータ） (2025-11-14T16:56:01Z) - rt-RISeg: Real-Time Model-Free Robot Interactive Segmentation for Active Instance-Level Object Understanding [7.264443471771696]
本稿では,ロボット同士の相互作用によって見えない物体を連続的に分割する,新しいリアルタイム対話型知覚フレームワークrt-RISegを提案する。
ランダムにサンプリングされた物体フレームの相対的な回転速度と線形速度は,ロボット同士の相互作用によって,学習されたセグメンテーションモデルなしで物体を識別できることを示す。
本稿では,従来のUOIS法よりも平均物体分割精度を27.5%向上させることにより,対話的知覚法の有効性を示す。
論文 参考訳（メタデータ） (2025-07-14T20:02:52Z) - Inferring Temporal Compositions of Actions Using Probabilistic Automata [61.09176771931052]
本稿では,動作の時間的構成を意味正規表現として表現し,確率的オートマトンを用いた推論フレームワークを提案する。
我々のアプローチは、長い範囲の複雑なアクティビティを、順序のないアトミックアクションのセットとして予測するか、自然言語文を使ってビデオを取得するという既存の研究とは異なる。
論文 参考訳（メタデータ） (2020-04-28T00:15:26Z)
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。