論文の概要: PhysVLMM: Interaction-Conditioned Physical Belief Maps for Articulated Objects in Robot Scene Maps
- arxiv url: http://arxiv.org/abs/2610.40539v1
- Date: Thu, 29 Oct 2026 17:35:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 06:45:34.770865
- Title: PhysVLMM: Interaction-Conditioned Physical Belief Maps for Articulated Objects in Robot Scene Maps
- Title（参考訳）: PhysVLMM:ロボットシーンマップにおける人工物体の対話型物理信念マップ
- Abstract要約: 本稿では,視覚・言語・運動マップの各部分に対する物理的信念を維持する方法であるPhysVLMMを提案する。
18戸の実際のドアと引き出しでは、ホールトアウトプルの86%でジョイントタイプを特定し、異なるシミュレーションよりも41%低い誤差でプルに対する応答を予測する。
- 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: Mobile robots must open doors and drawers, yet their scene maps record what each object is and whether it has moved, not how it will respond to a pull. This paper proposes PhysVLMM, a method that maintains a physical belief for every articulated part of a Vision-Language-Motion Map and answers a planner's queries about it, with two algorithms: a map update and a query. Watching a part move provably cannot identify its dynamics, and a measured pull identifies only the pulled part, up to one direction. PhysVLMM therefore (i) keeps that direction as a posterior instead of a point estimate, (ii) passes the evidence of each pull in closed form to the untouched look-alike parts of the map, and (iii) answers whether an action will succeed at a stated risk, or abstains. On real doors and drawers in 18 homes, it identifies the joint type in 86% of held-out pulls (48% for a learned single-view method) and predicts the response to a pull with 41% lower error than differentiable simulation (CRPS 0.323 vs. 0.544), four orders of magnitude faster (13 ms vs. 230 s per case). The posterior lowers the final-position error from 0.460 to 0.270, sharing lowers the force error of untouched parts from 56% to 42%, and at every stated risk from 0.02 to 0.30 the false-safe answers stay within it. Pooling all measured parts of a home does as well as the look-alike groups, and simpler variants predict where a pulled part stops at least as well.
- Abstract（参考訳）: 移動ロボットはドアや引き出しを開かなければならないが、それらのシーンマップは、対象物が何であるか、移動したかどうかを記録し、プルにどう反応するかは記録しない。
本稿では,ビジョン・ランゲージ・モチーフ・マップのすべての部分に対して物理的信念を維持し,それに関するプランナーの問い合わせにマップ更新とクエリという2つのアルゴリズムで答える方法であるPhysVLMMを提案する。
部品の動きを確実に観察することは、その力学を識別することができず、測定されたプルは、引いた部分のみを1方向まで特定する。
PhysVLMM
(i)その方向を点推定ではなく後部として保持する。
(ii)各プルの証拠を閉じた形で地図の未接触のルックライクな部分に渡す。
三 当該行為が所定のリスクで成功するか、又は棄権するかを問う。
18戸の実際のドアと引き出しでは、ホールトアウトプルの86%(学習シングルビュー法では48%)で関節型を識別し、微分可能シミュレーション(CRPS 0.323 vs. 0.544)よりも41%低い誤差(ケースあたり13 ms vs. 230 s)のプルに対する応答を予測した。
後部は最終位置誤差を0.460から0.270に下げ、未接触部の力誤差を56%から42%に下げる。
家のすべての測定された部分をポーリングすることはルックライクなグループと同様に働き、より単純な変種は、引く部分が停止する場所を少なくとも予測する。
関連論文リスト
- Kinematic Causal Attribution: Black-Box Explanations of Motion versus Geometry for 4D Point-Cloud Video Models [3.329889171806966]
3Dの帰属は単一フレーム、ビデオの帰属はRGBピクセルに限定され、点レベルの摂動は実際の深さとLiDARデータに欠けているフレーム間の点対応を仮定する。
モデル出力のみを問うブラックボックスであるKCA(Kinematic Causal Attribution)を提案する。
MSR-Action3Dでトレーニングした公式PSTNet,P4Transformer,Mamba4D上でKCAを検証する。
論文 参考訳（メタデータ） (2026-10-29T01:36:42Z) - Cut a Wall, See a Wall: Identity Substitution in Occluded Point-Cloud Perception for Construction Robots [0.0]
建設ロボットは、部分的にしか見えない要素にラベルを付けなければならない。
テスト時にオクルージョンがシーンの全領域を削除した場合、ポイントクラウドセグメンテーションネットワークは単に隠れた要素を見逃さない。
論文 参考訳（メタデータ） (2026-10-25T04:06:33Z) - Same Space or Not: Benchmarking Spatial Intelligence Through Cross-View Contradictions [80.65137714222533]
スペース・アンド・ノット(Space or Not)は、クロスビューの矛盾解決のベンチマークである。
人間は83.3%の精度を達成しており、最強の視覚言語モデルでは39.7%である。
論文 参考訳（メタデータ） (2026-10-09T17:54:57Z) - 4MT-VLM: How Coarse Is a VLMs Cognitive Map? [1.3537117504260623]
プロシージャによって生成された風景のデータセットである4MT-VLMを導入し、それぞれ5つの刺激モードでレンダリングする。
我々はこのベンチマークを16の異なるオープンソースモデルとクローズドソースモデルでテストし、4AFC性能を報告した。
研究対象の場所をモデルが識別するが、カメラが動き出したら失くし、25%の確率レベルを135で下回っているのが観察できる。
論文 参考訳（メタデータ） (2026-09-30T08:06:49Z) - 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) - Predictive Credit: Measuring What Scientific Explanations Add to Experimental Forecasts [0.7460935829208671]
5つのチェックはコミットメント、デリバリ、予測ゲイン、アライメント、既知の信号の取り込みを追跡する。
Tox21のROC AUCインターバルスコアハーネステストは未使用であった。
OpenMLのジョイントフォーメーション、ポイント等価性、リピータビリティルールは未完成であった。
論文 参考訳（メタデータ） (2026-09-29T00:36:26Z) - Is your uncertainty map wrong, or is its target? Exact diagnostics for the Tweedie diagonal, and a gradient-free alternative [0.0]
拡散モデルは、ベースラインからフォローアップされた医療スキャンを予測することができるが、臨床医は、その予測がどこに信頼されるかを示すボクセルマップが必要である。
14のモデルコーパス条件における6つのチェックポイントの正確な対角線を計算する。
脳MRIでは、Jacobianベースの推定器がすべてメモリを使い果たし、T-PTは20本鎖のMonte-Carloアンサンブルを導く。
論文 参考訳（メタデータ） (2026-09-27T17:32:06Z) - PredActor: Predictive Action Diffusion for Steerable Onboard Humanoid Control [49.348182500314614]
アクションのみの拡散は直接アクションを生成するが、テスト時間運動の目的に対する明示的な将来の軌道は欠如している。
連立状態-作用拡散はこの表現を提供するが、代表コントローラはしばしば特権付きフルボディ状態に依存する。
提案するPredActorは,これらのステアリングを直接実行されるポリシに含める,予測的行動拡散ポリシである。
論文 参考訳（メタデータ） (2026-09-21T16:20:25Z) - Learning Foresight without Explicit Trajectories for 3D Diffusion Policies [54.692734738738885]
3次元拡散ポリシは、現在の観測から幾何学的に基底化されたアクションを生成するのに強い。
我々は,この予測を明示的な計画を導入することなく,シンプルかつ効果的な手段である運動傾向ガイダンスを導入する。
正確にどこに移動すべきかを告げることなく、相互作用がどこに向かっているかを知ることで、大きなメリットを享受できることを、私たちは示しています。
論文 参考訳（メタデータ） (2026-09-17T16:44:13Z) - GE-Act 2.0: Pretraining and Scaling a World-Action Model for Robotic Manipulation [63.853929983870955]
本稿では,ジェニー・エンスペクタ法 2.0 (GE-Act 2.0) について紹介する。
制御指向オートエンコーダ(CoAE)、ワンステップビジュアルプランナー(SVP)、逆ダイナミクスモデル(IDM)を組み合わせている。
それらのコンポーネントは、知識に整合した選択最適化(KASO)で共同で訓練され、記録された行動に適合していると判断された予測された未来のみを選択することで、ミスマッチした監視を減らす。
論文 参考訳（メタデータ） (2026-09-04T17:16:48Z) - Explaining AI-Image Detection: What the Heatmap Actually Shows [65.01025489527173]
私たちは検出器を構築し、その証拠として属性マップを添付します。
私たちは、そのペアがコントロール下の186,527のイメージにもたらすものを測定します。
属性ランキングが存在するかどうかは、検出器が画像に反応するかどうかに依存する。
論文 参考訳（メタデータ） (2026-07-31T16:07:05Z)
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。