論文の概要: Open-World Object Motion Anticipation via Meta-Learned Semantic Adaptation

• arxiv url: http://arxiv.org/abs/2610.38993v1
• Date: Wed, 28 Oct 2026 22:18:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 08:05:50.937256
• Title: Open-World Object Motion Anticipation via Meta-Learned Semantic Adaptation
• Title（参考訳）: メタラーニングセマンティック適応によるオープンワールド物体の動き予測
• Abstract要約: 近くの物体の動きを予測することは、安全で効率的なロボットナビゲーションにとって重要である。 本稿では,オブジェクトの意味的,幾何学的,関係的な履歴を利用するメタ学習型グラフニューラルネットワークを提案する。 シミュレーションでのみトレーニングされた本手法は,トレーニング時に見えない物体の動きを正確に予測する。
• 参考スコア（独自算出の注目度）: 14.194962827416475
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anticipating the motion of nearby objects is critical for safe and efficient robot navigation. Without a proper understanding of what may move, a robot may plan overly conservative, inefficient trajectories to guarantee safety, or it may be overly risky, resulting in unacceptable collisions. While tracking and predicting the motion of known objects has seen significant progress, little research addresses how a robot should adapt online to novel objects, including anticipating how one object may move another (e.g., a person operating a forklift to move a pallet). To enable this capability, we propose a meta-learned graph neural network that leverages a semantic, geometric, and relational history of objects to accurately predict, from a few online observations, when objects will begin to move in new environments. We demonstrate that our method, which is trained only in simulation, accurately anticipates the motion of objects unseen at training time, transfers to hardware without any fine-tuning, and outperforms a vision-language model and a class-frequency baseline in both simulation and hardware experiments. Our method's accurate prediction enables collision-free traversals in a closed-loop navigation simulation, while remaining within four seconds of the fastest, collision-prone planner.
• Abstract（参考訳）: 近くの物体の動きを予測することは、安全で効率的なロボットナビゲーションにとって重要である。 何が動くのかを適切に理解しなければ、ロボットは安全を保証するために過度に保守的で非効率な軌道を計画するかもしれない。 既知の物体の動きを追跡し予測することは、かなり進歩しているが、ある物体が別の物体をどう動かせるか(例えば、フォークリフトを操作してパレットを動かしている人)を予想するなど、ロボットが新しい物体にオンラインで適応する方法はほとんど研究されていない。 この機能を実現するために、メタ学習グラフニューラルネットワークを提案し、オブジェクトのセマンティック、幾何学的、リレーショナルな履歴を利用して、オブジェクトが新しい環境で動き始めたときに、少数のオンライン観測から正確に予測する。 シミュレーションでのみ訓練された本手法は,訓練時に見えない物体の動きを正確に予測し,微調整なしでハードウェアに転送し,シミュレーションとハードウェア実験の両方において視覚言語モデルとクラス周波数ベースラインを上回る性能を示す。 提案手法の高精度な予測により,高速で高速な衝突速度プランナーの4秒以内に留まりながら,クローズドループナビゲーションシミュレーションにおける無衝突走行が可能となる。

関連論文リスト

• CaSCo: Cascade-Aware Soft-Collision Motion Planning [2.969473917919491]
  CaSCoはカスケード対応のソフトコリジョン・モーション・プランニング・フレームワークである。 ロボットによって直接、あるいは間接的にカスケードされた衝突によって、ユニークな物体の全体的意味リスクを最小化する経路を探索する。 そこで我々は,効率的な探索のためのキャスケード・リラクサ・キャッシュ・プルーニング機構を適応的かつ一貫したグラフ探索アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2026-09-16T16:51:15Z)
• Fast Confidence-Aware Human Prediction via Hardware-accelerated Bayesian Inference for Safe Robot Navigation [2.745453886412164]
  本稿では,将来予測を粒子として扱う信頼度を考慮した予測手法を提案する。 我々の実装は、より詳細な予測時間ステップをサポートし、よりきめ細かい軌道予測をもたらす。 我々は、実世界の実験を通じて、ロボットが複数の人間の間で安全にナビゲートできることを実証し、我々のアプローチを検証する。
  論文  参考訳（メタデータ） (2026-03-01T14:13:58Z)
• What Happens Next? Anticipating Future Motion by Generating Point Trajectories [76.16266402727643]
  一つの画像から動きを予測し、世界の物体がどのように動くかを予測する問題を考察する。 我々はこのタスクを,現代のビデオジェネレータのアーキテクチャを忠実に追従するモデルを用いて,高密度トラジェクトリグリッドの条件生成として定式化する。 このアプローチはシーン全体のダイナミクスと不確実性を捉え、以前の回帰器やジェネレータよりも正確で多様な予測をもたらす。
  論文  参考訳（メタデータ） (2025-09-25T21:03:56Z)
• Track2Act: Predicting Point Tracks from Internet Videos enables Generalizable Robot Manipulation [65.46610405509338]
  我々は、ゼロショットロボット操作を可能にする汎用的な目標条件ポリシーを学習することを目指している。 私たちのフレームワークであるTrack2Actは、ゴールに基づいて将来のタイムステップで画像内のポイントがどのように動くかを予測する。 学習したトラック予測を残留ポリシーと組み合わせることで,多種多様な汎用ロボット操作が可能となることを示す。
  論文  参考訳（メタデータ） (2024-05-02T17:56:55Z)
• DiffSkill: Skill Abstraction from Differentiable Physics for Deformable Object Manipulations with Tools [96.38972082580294]
  DiffSkillは、変形可能なオブジェクト操作タスクを解決するために、スキル抽象化に微分可能な物理シミュレータを使用する新しいフレームワークである。 特に、勾配に基づくシミュレーターから個々のツールを用いて、まず短距離のスキルを得る。 次に、RGBD画像を入力として取り込む実演軌跡から、ニューラルネットワークの抽象体を学習する。
  論文  参考訳（メタデータ） (2022-03-31T17:59:38Z)
• Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
  本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。 連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。 我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
  論文  参考訳（メタデータ） (2021-11-15T18:50:04Z)
• Property-Aware Robot Object Manipulation: a Generative Approach [57.70237375696411]
  本研究では,操作対象の隠れた特性に適応したロボットの動きを生成する方法に焦点を当てた。 本稿では,ジェネレーティブ・アドバイサル・ネットワークを利用して,オブジェクトの特性に忠実な新しいアクションを合成する可能性について検討する。 以上の結果から,ジェネレーティブ・アドバイサル・ネットは,新規かつ有意義な輸送行動を生み出すための強力なツールとなる可能性が示唆された。
  論文  参考訳（メタデータ） (2021-06-08T14:15:36Z)
• Coarse-to-Fine Imitation Learning: Robot Manipulation from a Single Demonstration [8.57914821832517]
  視覚的模倣学習のためのシンプルな新しい手法を導入し,新しいロボット操作タスクを1人の人間による実演から学習できるようにする。 提案手法は、状態推定問題として模倣学習をモデル化し、状態がエンドエフェクタのポーズとして定義される。 テスト時、エンドエフェクタは線形経路を通って推定状態に移動し、元のデモのエンドエフェクタ速度を単に再生する。
  論文  参考訳（メタデータ） (2021-05-13T16:36:55Z)
• Learning Collision-free and Torque-limited Robot Trajectories based on Alternative Safe Behaviors [2.28438857884398]
  ニューラルネットワークは、産業用ロボットの将来の動きを予測するために定期的に呼び出される。 アクションスペースの設計により、キネマティックジョイント限界の遵守が確保されます。 実ロボットによる実験は、安全な軌道をリアルタイムで生成できることを示しています。
  論文  参考訳（メタデータ） (2021-03-05T16:50:57Z)
• Learning Object-Based State Estimators for Household Robots [11.055133590909097]
  我々は高次元観測と仮説に基づいてオブジェクトベースのメモリシステムを構築する。 シミュレーション環境と実画像の両方において動的に変化するオブジェクトの記憶を維持するシステムの有効性を実証する。
  論文  参考訳（メタデータ） (2020-11-06T04:18:52Z)

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。