論文の概要: TACOS: Terrain-Aware COntact Supervision for Visual Footstep Planning

• arxiv url: http://arxiv.org/abs/2610.37806v1
• Date: Tue, 27 Oct 2026 18:25:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 19:36:23.104227
• Title: TACOS: Terrain-Aware COntact Supervision for Visual Footstep Planning
• Title（参考訳）: TACOS:ビジュアル・フットステップ・プランニングのための測地対応コンタクト・スーパービジョン
• Abstract要約: 本稿では,TACOS(Terran-Aware Contact Supervision)を提案する。 後視力を利用するハードスコアと,即時利用可能なソフトスコアの2つの変種を提案する。 我々の測定基準は、最も正確な視覚予測器を訓練し、最強の選択肢よりも58パーセント高いランク相関を改善した。
• 参考スコア（独自算出の注目度）: 10.129251729169626
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Humans navigate their environment based on their vision system, anticipating how the ground will respond before committing to a step. Self-supervised learning could provide legged robots the same ability, but the supervisory signal is typically chosen on intuition, and its effect on what the model learns is rarely examined. We present Terrain-Aware COntact Supervision (TACOS), which proposes a meaningful and consistent footstep instability score, based on the residual of a factor graph in legged state estimation. It projects the continuous score into preceding images to supervise a dense visual predictor. We propose two variants, a hard score that exploits hindsight and a causal soft score available immediately. Both metrics are compared against state-of-the-art alternatives in two independent evaluations that share no data or labels. On 1716 manually annotated contacts, both variants outperform every evaluated alternative at detecting instability and ranking its severity, improving pooled severity ranking by 28 % over the strongest baseline. On three outdoor test runs, our metric also trains the most accurate visual predictor, improving rank correlation by 58 % over the strongest alternative, and by a further 25 % when supplemented with onboard context. In a real-world experiment over a 50 m forest trajectory, the trained predictor handles non-geometric terrain properties such as mud and vegetation, while stepping around geometric obstacles like fallen branches. Code is available for reproducibility at https://github.com/norlab-ulaval/TACOS.
• Abstract（参考訳）: 人間は視覚システムに基づいて環境をナビゲートし、ステップにコミットする前に地面がどのように反応するかを予測します。 自己教師付き学習は、脚のあるロボットに同じ能力を与えることができるが、監督信号は直感で選択されるのが一般的であり、モデルが何を学ぶかに影響を及ぼすことは滅多にない。 本稿では,足場状態推定における因子グラフの残差に基づいて,意味的かつ一貫した足場不安定度スコアを提案するTerran-Aware Contact Supervision (TACOS)を提案する。 連続したスコアを先行画像に投影し、濃密な視覚予測器を監督する。 後視力を利用するハードスコアと,即時利用可能なソフトスコアの2つの変種を提案する。 どちらの指標も、データやラベルを共有しない2つの独立した評価において、最先端の代替手段と比較される。 1716年、手動でアノテートされた接触では、どちらの変種も不安定を検知し、その重症度をランク付けし、最強のベースラインを28%上回った。 3つのアウトドアテストにおいて、我々の測定基準は最も正確な視覚予測器を訓練し、最強の選択肢よりも58%、搭載コンテキストを補うとさらに25%の精度でランク相関を改善した。 50mの森林軌道上の実世界での実験では、トレーニングされた予測器は、倒れた枝のような幾何学的な障害物を踏み回しながら、泥や植生のような非幾何学的な地形特性を扱う。 コードはhttps://github.com/norlab-ulaval/TACOSで再現可能である。

関連論文リスト

• A Persian Vision-Language-Action Dataset and Benchmark for Ambiguity- and Infeasibility-Aware Instruction-to-Plan Grounding [0.0]
  本稿では,この課題に対するペルシア語視覚言語アクションデータセットについて紹介する。 我々は,検索強化,思考の連鎖促進,エージェント的曖昧化のステップを緩和する。 79個の実出力に関する視覚的人間相関研究は、PGOS-FAが少なくともLLM-judgeと同じくらいヒトの判断を追跡することを示している。
  論文  参考訳（メタデータ） (2026-10-11T14:46:28Z)
• Experience-Driven Continual Learning of Terrain Traversability for Quadruped Robots [3.728185330463772]
  本稿では,ロコモーション体験を用いて,事前接触画像から対話結果の学習を行う連続学習パイプラインを提案する。 ROS2の実装は、シミュレーションとハードウェアにおけるUnitree Go2の評価をサポートし、各ドメインで個別にトレーニングされている。
  論文  参考訳（メタデータ） (2026-09-30T13:52:21Z)
• Are We Overconfident in Models and Results for Semi-Supervised 3D Medical Image Segmentation? [4.120238673372104]
  半教師付き学習は、アノテーションのコストを削減する主要なパラダイムとなっている。 現在の進歩は2倍の過信問題によって曇っていると我々は主張する。 本稿では,二軸信頼性評価エンジン上に構築した三空間原理分割フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-25T08:16:40Z)
• Unified Human Localization and Trajectory Prediction with Monocular Vision [64.19384064365431]
  MonoTransmotionはトランスフォーマーベースのフレームワークで、モノクロカメラのみを使用して、ローカライゼーションと予測タスクを共同で解決する。 両タスクを統合フレームワークで共同でトレーニングすることにより,ノイズの多い入力による実環境シナリオにおいて,我々の手法がより堅牢であることを示す。
  論文  参考訳（メタデータ） (2025-03-05T14:18:39Z)
• Self-Training with Pseudo-Label Scorer for Aspect Sentiment Quad Prediction [54.23208041792073]
  Aspect Sentiment Quad Prediction (ASQP) は、与えられたレビューに対して全てのクワッド(アスペクト項、アスペクトカテゴリー、意見項、感情極性)を予測することを目的としている。 ASQPタスクにおける重要な課題はラベル付きデータの不足であり、既存のメソッドのパフォーマンスを制限している。 そこで我々は,擬似ラベルスコアラーを用いた自己学習フレームワークを提案し,レビューと擬似ラベルの一致をスコアラーが評価する。
  論文  参考訳（メタデータ） (2024-06-26T05:30:21Z)
• Towards Motion Forecasting with Real-World Perception Inputs: Are End-to-End Approaches Competitive? [93.10694819127608]
  実世界の知覚入力を用いた予測手法の統一評価パイプラインを提案する。 我々の詳細な調査では、キュレートされたデータから知覚ベースのデータへ移行する際の大きなパフォーマンスギャップが明らかになりました。
  論文  参考訳（メタデータ） (2023-06-15T17:03:14Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• TRUST-LAPSE: An Explainable and Actionable Mistrust Scoring Framework for Model Monitoring [4.262769931159288]
  連続モデル監視のための"ミストラスト"スコアリングフレームワークであるTRUST-LAPSEを提案する。 我々は,各入力サンプルのモデル予測の信頼性を,潜時空間埋め込みのシーケンスを用いて評価する。 AUROCs 84.1 (vision), 73.9 (audio), 77.1 (clinical EEGs)
  論文  参考訳（メタデータ） (2022-07-22T18:32:38Z)

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。