論文の概要: Decision-Level Error Attribution and Depth-Aware Safety Evaluation of Monocular RGB Human Tracking for Autonomous Robot Navigation
- arxiv url: http://arxiv.org/abs/2610.40199v1
- Date: Thu, 29 Oct 2026 14:52:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 07:59:16.100932
- Title: Decision-Level Error Attribution and Depth-Aware Safety Evaluation of Monocular RGB Human Tracking for Autonomous Robot Navigation
- Title（参考訳）: 自律型ロボットナビゲーションのための単眼RGBヒューマントラッキングの意思決定レベル誤差属性と深度安全性評価
- Abstract要約: RGBトラッキングは、人間の近くで動くロボットにとって有用であるが、認識エラーはバイナリの停止/結果の決定に影響を与える。
安全ルールと知覚の相違から、どの程度の意思決定エラーが発生するかを示す。
地上面の局在が一致または改善した2標準の安全マージンは、横方向の規則のミス・ダンガー・レートで一致または改善された。
- 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: Monocular RGB tracking is useful for robots operating near people, but perception errors affect binary stop/proceed decisions in ways that geometric accuracy metrics do not capture. We examine how much decision error arises from the safety rule versus perception. We prove that lateral-only distance is a lower bound on planar distance: with accurate positions, it cannot miss dangers identified by the planar rule, but it produces unnecessary stops. We introduce a two-factor Shapley attribution separating rule and perception contributions, and further distinguish missed detections from localization errors. Experiments use ETH and UCY pedestrian videos with simulated stationary robots, disjoint calibration and evaluation pedestrians, and time-block bootstrap intervals. Across 898 pedestrians in three scenes, the lateral rule missed no dangers on annotated positions but achieved only 5.6-31.9% stop precision. In two scenes with RGB perception, calibrated ground-plane localization achieved 0.59 m and 0.51 m planar RMSE, compared with 1.72 m and 1.39 m for a geometric baseline and 0.81 m and 0.68 m for calibrated Depth Anything V2. Detection recall of 0.43 and 0.26 made missed detections the leading source of missed danger. A two-standard-deviation safety margin with ground-plane localization matched or improved on the lateral rule's missed-danger rate in all eight scene-threshold settings and reduced unnecessary stops in seven. All robot interactions are simulated, and outcomes are offline decision classifications, not demonstrations of collision avoidance.
- Abstract（参考訳）: 単眼のRGBトラッキングは、人の近くで動くロボットにとって有用であるが、知覚誤差は、幾何学的精度の指標が捉えない方法で、バイナリの停止/出力決定に影響を与える。
安全ルールと知覚の相違から, どの程度の意思決定誤差が生じるかを検討する。
我々は、横方向のみの距離が平面距離の低い境界であることを証明する。正確な位置を持つと、平面規則によって識別される危険を見逃すことはできないが、不要な停止を生じる。
本稿では,2要素のShapley属性を分離したルールと知覚的コントリビューションを導入し,また,誤り検出を局所化誤差と区別する。
実験では、ETHとUCYの歩行者ビデオとシミュレーションされた静止ロボット、切り離しキャリブレーションと評価歩行者、時間ブロックブートストラップ間隔を使用する。
898人の歩行者の3つの場面で、横方向の規則は注釈付けされた位置の危険を逃すことはなかったが、5.6-31.9%の精度しか達成できなかった。
RGBを認識した2つのシーンでは、キャリブレーションされた地上面のローカライゼーションは0.59mと0.51mの平面RMSEを達成したが、幾何学的なベースラインでは1.72mと1.39m、キャリブレーションされた深度V2では0.81mと0.68mであった。
0.43と0.26の検知リコールにより、検出に失敗し、主要な危険源となった。
地平面の局所化による2標準の安全性マージンは、横方向ルールのミス・ダンガー・レートに一致または改善され、8つのシーン・ホールド・セッティングすべてで一致し、7つの不要停止を低減した。
全てのロボットの相互作用はシミュレートされ、結果は衝突回避のデモンストレーションではなく、オフラインの決定分類である。
関連論文リスト
- From Routing Signals to Selective Review: Visual regrounding in MoE VLMs [48.07726955428853]
視覚言語モデル(VLM)は偽の視覚的前提を受け入れ、対象の物体の色、数、位置、状態について疑問に答える。
本稿では,Mixture-of-Experts (MoE)VLMにおける内部ルーティング決定を活用するための最初のフレームワークを提案する。
提案手法は,MoE VLMによってすでに作成されており,低コストな検出と選択的な視覚的リグラウンドを支援することができる。
論文 参考訳（メタデータ） (2026-09-29T17:49:07Z) - Feasibility Distance Fields for Heterogeneous Constraints in Robot Configuration Space [12.311141793351943]
実用的制約が空でない閉集合を定義するときを示す。
外部および自己協力、連立制限、デクスタリティ、タスク計画コンプライアンスの定式化を導出する。
我々はプロジェクションに基づくラベルを生成し、距離損失とアイコンナルペナルティを伴って神経近似を訓練する。
論文 参考訳（メタデータ） (2026-09-21T14:13:31Z) - Safety Control of a Hyper-redundant Robot via Adaptive Weighted Control Barrier Functions [42.150933371692176]
超冗長ロボットは、高デキスタリティのため、閉じ込められた空間操作によく適している。
本研究は、トラッキングエラーを低減しつつ安全性の制約を強制する重み付け制御バリア関数フレームワークを提案する。
論文 参考訳（メタデータ） (2026-09-21T03:38:43Z) - Beyond Control Points: Arcsecond Relative-Motion Estimation of Vision Measurement Platforms With Incomplete or Absent Control Fields [43.43572961146893]
画像の変位や既知の3D点から直接プラットフォームの動きを推定する制御適応微分フレームワークを開発した。
我々は、回転可観測条件、非モデル翻訳および非剛点運動のためのリークバウンド、および単一点軸偏差法を導出する。
論文 参考訳（メタデータ） (2026-08-14T03:41:30Z) - Accurate Ensembles, Fragile Narratives: Multi-Scale Stacking and a Fidelity Audit of LLM-Generated Explanations for Credit Risk [0.0]
クレジットスコアリングは、決定ロジックをパラメータから読み取ることができないモデルに依存している。
共通する提案は、言語モデルとのギャップを埋める: 特徴属性を計算し、それらを LLM に渡し、合理的に記述させる。
このようなシステムをエンド・ツー・エンドに構築し、約束の後半が成立するかどうかをテストします。
論文 参考訳（メタデータ） (2026-08-08T13:22:14Z) - Visual Grounding in Zero-Shot Vision-Language Control [0.0]
視覚言語モデル(VLM)は、ゼロショットコントローラとしてますます使われているが、成功した軌道は、必ずしも決定が視覚入力に基礎を置いていることを示さない。
我々はこれを、ブラインドイメージ制御、繰り返し同じ入力、車線軸反射、非視覚ベースライン、パイプライン積分チェックといった入力アブレーション電池を用いて検討する。
実験では,9つの直接動作モデル,6つの局所的VLM,探索的VLM-MPC階層に対して,2つの実施形態と3つのシミュレータに対する32,874の呼び出しを解析した。
論文 参考訳（メタデータ） (2026-08-06T15:21:42Z) - Track-Leakage-Free Hold-Out Self-Validation for Photogrammetric Reconstruction: Protocol, Sensitivity, and Limits [0.0]
画像再構成のためのトラックレカジフリーホールドアウトプロトコルを定式化する。
我々は、5つの基準撮影、13のETH3Dレーザースキャンシーン、EuRoC飛行、30のIMC 2025シーンで評価した。
論文 参考訳（メタデータ） (2026-07-25T17:00:11Z) - Catching One in Five: LLM-as-Judge Blind Spots in Production Multi-Turn Transaction Agents [45.148328075418156]
デプロイされた多ターン食品・飲料注文エージェントについて検討し,実際の品質問題の数を測定した。
私たちの盲点分類は、失敗はランダムではなく構造化されていることを示している。
プロダクションマルチターンエージェントでは、自動判断はリグレッションフロアであり、人間のレビューの代わりにはならない。
論文 参考訳（メタデータ） (2026-06-09T02:11:01Z) - Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
テキスト検出器は、事前訓練された典型軸を増幅する。
タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。
RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
論文 参考訳（メタデータ） (2026-05-20T19:08:38Z) - Paired-CSLiDAR: Height-Stratified Registration for Cross-Source Aerial-Ground LiDAR Pose Refinement [46.13526676100776]
Paired-CSLiDAR(英語版)は、シングルスキャンポーズリファインメントのためのクロスソース空地LiDARベンチマークである。
このベンチマークには6つの評価サイトで12,683組の地上空対が含まれている。
本稿では,RGSR(Residual-Guided Stratified Registration)を提案する。
論文 参考訳（メタデータ） (2026-05-01T13:14:20Z)
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。