論文の概要: Back to the Future: Predicting Long-Horizon Dynamics with Retrospective Correction for Disturbance-Aware Retrieval

• arxiv url: http://arxiv.org/abs/2611.02073v1
• Date: Sun, 01 Nov 2026 17:25:19 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:18:44.856862
• Title: Back to the Future: Predicting Long-Horizon Dynamics with Retrospective Correction for Disturbance-Aware Retrieval
• Title（参考訳）: 未来へ:外乱を意識した検索のための振り返り補正による長距離ダイナミクスの予測
• Abstract要約: 本稿では,幾何学的な関係力学フレームワークであるDARE(Disturbance-Aware Retrieval)を紹介する。 DAREはコンパクトなオブジェクト記述子を符号化し、動作条件付き外乱伝搬を予測する。 スパース観測が利用可能になると、学習された補正者は、予測誤差を利用して、予測済みの状態を修正する。 これらの予測は、周囲の物体の変位と回転に対する回収の進捗のバランスをとる、後退水平プランナーを導く。
• 参考スコア（独自算出の注目度）: 28.039620081985444
• License:
• Abstract: Retrieving objects from densely packed storage requires anticipating how contact disturbs surrounding objects when limited clearance prevents lifting the target over clutter. However, contact can propagate beyond the target's immediate neighbors, while accumulated prediction errors make learned dynamics unreliable over long planning horizons. We introduce DARE (Disturbance-Aware REtrieval), a geometry-aware relational dynamics framework that uses retrospective correction to improve long-horizon prediction for disturbance-aware retrieval. DARE encodes compact object descriptors and predicts action-conditioned disturbance propagation through object-level message passing. When a sparse observation becomes available, a learned corrector uses the prediction discrepancy to amend an earlier predicted state and reruns the intervening dynamics, propagating the correction through the predicted contact chain. These predictions guide a receding-horizon planner that balances retrieval progress against displacement and rotation of surrounding objects, permitting necessary contact while discouraging harmful disturbance. Experiments in planar and RoboCasa environments evaluate long-horizon prediction, generalization, and robustness for disturbance-aware retrieval in dense clutter. See our project website: https://the-back-to-the-future.github.io
• Abstract（参考訳）: 密封されたストレージからオブジェクトを取り出すには、限られたクリアランスがターゲットをぼんやりと持ち上げるのを防ぐとき、オブジェクトを取り巻く接触がいかに乱されるかを予測する必要がある。 しかし、接触はターゲットの直近の近傍を越えて伝播するが、予測誤差の蓄積は、長い計画地平線上での学習力学の信頼性を損なう。 本稿では,幾何を考慮したリレーショナルダイナミクスフレームワークであるDARE(Disturbance-Aware Retrieval)を紹介する。 DAREはコンパクトなオブジェクト記述子を符号化し、オブジェクトレベルのメッセージパッシングを通じてアクション条件付き外乱伝搬を予測する。 スパース観測が利用可能になると、学習された補正者は、予測誤差を利用して予測された状態を修正し、干渉するダイナミクスを再実行し、予測された接触チェーンを介して補正を伝搬する。 これらの予測は、周囲の物体の変位や回転に対する検索進捗のバランスを保ち、有害な乱れを防ぎながら必要な接触を許容する後退水平プランナーを導く。 プラナーとロボカサの環境実験は, 高密度クラッタにおける外乱認識検索のための長期水平予測, 一般化, 堅牢性を評価する。 プロジェクトのWebサイトをご覧ください。

関連論文リスト

• When Prediction Shapes the Future: A BlueSky Agenda for Reflexive Time Series Analysis [58.89511371796593]
  時系列モデルは、予測が将来の観測を変える介入を引き起こす運用システムにますますデプロイされている。 このようなAI形式の軌道は、即時のパフォーマンス監視をサポートするが、一度受動的データとして再利用されると曖昧になる。 我々は、分析対象を介入非依存のシーケンスから予測-行動-観測ループにシフトさせる反射的時系列分析の課題を提唱する。
  論文  参考訳（メタデータ） (2026-11-02T04:30:54Z)
• SEER: Self-Evolving Event Reasoning and Retrieval for Time Series Forecasting [78.20370240878118]
  時系列予測のためのイベントコンディショニングを動的に最適化するクローズドループフレームワークSEER(Self-Evolving Event Reasoning and Retrieval)を提案する。 SEERは予測エラーを2つの分離されたフィードバックメカニズムに変換する。 イベント検索とリフレクションの両方にわたって厳格な時間境界を強制し、ルックアヘッドバイアスとデータ漏洩を防止する。
  論文  参考訳（メタデータ） (2026-10-02T22:30:10Z)
• Predictive Semantic Safety: From Visual Physical Reasoning to Safety-Critical Control [29.738603994833394]
  予測意味安全(PSS)という枠組みを提案する。 PSSは視覚的物理的推論とバックアップベースの安全フィルタリングを結びつける。 PSSは、バックアップ制御バリア関数のベースラインで43.3%に対して、安全なエピソードレートが99.3%である。
  論文  参考訳（メタデータ） (2026-09-28T05:32:33Z)
• Motion-Uncertainty-Aware Next-Best-View Planning for Moving Object Reconstruction [13.309411974709574]
  本研究では、平面運動中の未知の剛体物体を再構成するための運動不確実性を考慮したNBVフレームワークを提案する。 この予測的信念を得るために、固定ラグガウス過程はよりスムーズな推定を行い、ノイズのある位置測定から対象状態を予測する。 得られた信念は、予測対象位置に関する候補視点を生成し、到達可能性によってそれらをフィルタリングし、予測されるカバレッジ駆動スコアを推定するために使用される。
  論文  参考訳（メタデータ） (2026-05-17T18:45:38Z)
• TaPD: Temporal-adaptive Progressive Distillation for Observation-Adaptive Trajectory Forecasting in Autonomous Driving [10.160418242076284]
  軌道予測は自律走行に必須であり、車両は周囲のエージェントの動きを予測できる。 可変履歴長下での観測適応軌道予測のための統一的なプラグアンドプレイフレームワークであるTaPDを提案する。 Argoverse 1 と Argoverse 2 の実験は、TaPD が全ての観測範囲で強い基底線を一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2026-03-06T12:51:32Z)
• GOT-JEPA: Generic Object Tracking with Model Adaptation and Occlusion Handling using Joint-Embedding Predictive Architecture [27.70912792107499]
  我々は,JEPAを画像特徴予測から追跡モデル予測まで拡張するモデル予測事前学習フレームワークであるGOT-JEPAを提案する。 さらに,物体追跡のためのオクルージョン知覚を高めるためにOccurを提案する。
  論文  参考訳（メタデータ） (2026-02-16T14:26:07Z)
• OOSTraj: Out-of-Sight Trajectory Prediction With Vision-Positioning Denoising [49.86409475232849]
  軌道予測はコンピュータビジョンと自律運転の基本である。 この分野における既存のアプローチは、しばしば正確で完全な観測データを仮定する。 本稿では,視覚的位置決め技術を利用した視線外軌道予測手法を提案する。
  論文  参考訳（メタデータ） (2024-04-02T18:30:29Z)
• Layout Sequence Prediction From Noisy Mobile Modality [53.49649231056857]
  軌道予測は、自律運転やロボット工学などの応用における歩行者運動を理解する上で重要な役割を担っている。 現在の軌道予測モデルは、視覚的モダリティからの長い、完全な、正確に観察されたシーケンスに依存する。 本稿では,物体の障害物や視界外を,完全に視認できる軌跡を持つものと同等に扱う新しいアプローチであるLTrajDiffを提案する。
  論文  参考訳（メタデータ） (2023-10-09T20:32:49Z)
• Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
  自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。 既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。 これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
  論文  参考訳（メタデータ） (2023-08-02T23:39:24Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)

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。