論文の概要: SyncHeC: Markerless Spatio-Temporal Hand-Eye Calibration via Differentiable Rendering and Continuous-Time Joint Optimization

• arxiv url: http://arxiv.org/abs/2611.02999v1
• Date: Mon, 02 Nov 2026 12:03:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 13:58:59.443097
• Title: SyncHeC: Markerless Spatio-Temporal Hand-Eye Calibration via Differentiable Rendering and Continuous-Time Joint Optimization
• Title（参考訳）: SyncHeC: 微分レンダリングと連続時間共同最適化によるマーカレス時空間ハンドアイ校正
• Abstract要約: 連続運動下でのマーカーレスハンドアイキャリブレーションは、カメラ幾何学と画像と関節状態の間の時間相違を共同で解決する必要がある。 本稿では,1つのロボット軌道から推定する高密度な微分可能レンダリングフレームワークSyncHeCを提案する。
• 参考スコア（独自算出の注目度）: 5.076419064097734
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Markerless hand-eye calibration under continuous motion requires jointly resolving camera geometry and the time offset between images and joint states. We present SyncHeC (Synchronized Hand-Eye Calibration), a dense differentiable-rendering framework that estimates both from a single robot trajectory. Continuous-time forward kinematics makes latency differentiable, metric depth complements mask contours, and an offline planner combines spatial sensitivity with temporal excitation. Alternating updates support Eye-to-Hand, Eye-in-Hand, and multi-camera calibration. On a 7-DoF arm, one $6.5$\,s motion yields $0.21$\,cm translation error against a marker-board reference, $0.34$\,cm touch-test error, and $2.7$\,ms latency error relative to an $87$\,ms reference with $95\%$ uncertainty of $\pm1.5$\,ms. Against CM-Calib on matched recordings, translation and nominal latency errors improve by $3.7\times$ and $2.3\times$. Experiments span seven arms and four depth sensors. Compensating the recovered offset during policy training and deployment increases success by $8.1$ percentage points across six families and six tasks ($1{,}800$ matched pairs; paired $95\%$ confidence interval $[6.3,9.9]$ points).
• Abstract（参考訳）: 連続運動下でのマーカーレスハンドアイキャリブレーションは、カメラ幾何学と画像と関節状態の間の時間相違を共同で解決する必要がある。 我々は,1つのロボット軌道から推定する高密度な微分可能レンダリングフレームワークSyncHeC(Synchronized Hand-Eye Calibration)を提案する。 連続時間フォワードキネマティクスは遅延を微分可能とし、メートル法深度はマスクの輪郭を補完し、オフラインプランナーは空間感度と時間励起を結合する。 更新はEye-to-Hand、Eye-in-Hand、マルチカメラキャリブレーションをサポートする。 7-DoFのアームでは、6.5$\,sのモーションがマーカーボードの参照に対して0.21$\,cmの変換エラー、0.34$\,cmのタッチテストエラー、2.7$\,msの遅延エラーが87$\,msの参照に対して9.5$%の不確実な$\pm1.5$\,msとなる。 CM-Calibと一致したレコードでは、翻訳と名目上の遅延エラーが3.7\times$と2.3\times$に改善された。 実験は7つの腕と4つの深度センサーにまたがる。 政策訓練と展開中に回復したオフセットを補償すると、成功率は6つのファミリーと6つのタスク(1{,}800$マッチングペア、9.5\%$信頼区間$[6.3,9.9]ポイント)で8.1ドルになる。

関連論文リスト

• Interaction-as-a-Judge [84.01557166157401]
  コンピュータ利用エージェント(CUA)がアプリケーションと直接対話する評価パラダイムであるInteraction-as-a-Judgeについて検討する。 標準的な非対話的アプローチとは対照的に、インタラクション・アズ・ア・ジャッジは人間の嗜好を予測することで評価を改善する。 優先順位調整と要件検証の両面から、高品質なインタラクションによってパフォーマンスが向上する、というスケーリングのメリットも観察しています。
  論文  参考訳（メタデータ） (2026-10-13T07:49:50Z)
• TileSkipper: Region-Adaptive Tile Pruning for 3D Gaussian Splatting [60.48772713715659]
  TileSkipperは凍結チェックポイントに対して、ガウス単位の静的カットオフポリシーを選択する。 Mip-NeRF 360、Tants & Temples、Deep Blendingの13のシーンで、固定政治のAccuTileスイープは、標準解像度で1.088times$、幅で1.238times$3840Pixelsというデータセットとマクロのスピードアップを提供する。
  論文  参考訳（メタデータ） (2026-10-07T03:01:51Z)
• FoldQuantVLA: Native Low-Bit Quantization of Vision-Language-Action Models via Consistent Folding [8.807364108422414]
  低ビットの視覚-言語-行動推論は、ロボットの動作を保ちながら、観察-行動間遅延を減らさなければならない。 FoldQuantVLAは、キャリブレーション、重み付け、ネイティブ整数実行を通じて一貫したアクティベーション表現を行う、ポストトレーニング量子化フレームワークである。 4つの実ロボットタスクの中で、この構成はGR00T N1.7の成功率を、均一なW4A4で80.0%から922.5%に引き上げる。
  論文  参考訳（メタデータ） (2026-09-21T11:28:41Z)
• CM-MAE: A Physics-Guided Cross-Modal Self-Supervised Learning Framework for Vision-Wireless Applications [4.943233471540466]
  CM-MAEは、クロスシナリオ表現転送のための無線事前トレーニングフレームワークである。 CM-MAEはRGBフレームとDeepSense 6Gで利用可能な64ビーム受信パワーベクトルのみを使用する。
  論文  参考訳（メタデータ） (2026-08-16T23:55:03Z)
• RayTun3R: Online Camera Adaptation in 3D Foundation Models [53.97305597591864]
  最近の3Dファウンデーションモデルは、強力なフィードフォワード深度を提供し、ピンホールのイメージを推定するが、魚眼カメラ幾何学の下では鋭く劣化する。 この失敗は、事前訓練された3次元基礎モデルの位置符号化におけるピンホールカメラバイアスによってもたらされることを示す。 軽量カメラ適応手法であるRayTun3Rを提案する。
  論文  参考訳（メタデータ） (2026-07-02T18:55:35Z)
• Deployment-Oriented Session-wise Meta-Calibration for Landmark-Based Webcam Gaze Tracking [7.900882226705444]
  Equivariant Meta-Calibrated Gaze (EMC-Gaze) E(3)-同変のランドマークグラフエンコーダ、局所眼形状、双眼強調、補助的な3D視線方向監督、およびエピソディックなメタトレーニングによって区別されたクローズドフォームリッジキャリブレータを組み合わせた軽量なランドマークのみの手法である。 MPIIFaceGazeでは、短いパーセッションキャリブレーションで、アイフォーカスモデルは16ショットキャリブレーションで8.82 +/- 1.21デグに達し、弾力ネットを1ショットで結び、3ショット以上で性能を上回っている。
  論文  参考訳（メタデータ） (2026-03-12T19:07:34Z)
• Kineo: Calibration-Free Metric Motion Capture From Sparse RGB Cameras [2.6941922156574267]
  アンカロライズされていないRGBカメラで撮影したビデオから、マーカーレスモーションキャプチャーのための、完全に自動でキャリブレーションのないパイプラインであるKineoを提示する。 自信駆動型キーポイントサンプリング戦略とグラフに基づくグローバル最適化を組み合わせることで、列長に依存しない固定計算コストでロバストなキャリブレーションが保証される。 Keinoはカメラ翻訳誤差を83～85%、カメラ角誤差を86～92%、世界平均結合誤差(W-MPJPE)を83～91%削減する。
  論文  参考訳（メタデータ） (2025-10-28T14:30:47Z)
• A Quadratic Synchronization Rule for Distributed Deep Learning [66.68264684667562]
  本研究は、擬似同期規則(QSR)と呼ばれる$H$を決定するための理論基底法を提案する。 ResNet と ViT の実験により、QSR を用いた局所勾配法は、他の同期戦略よりもテスト精度を一貫して向上することが示された。
  論文  参考訳（メタデータ） (2023-10-22T21:38:57Z)

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。