論文の概要: VerifLM: Physically Verified Image-Edit-Guided Goal Pose Generation for Robotic Manipulation

• arxiv url: http://arxiv.org/abs/2611.03268v1
• Date: Mon, 02 Nov 2026 15:11:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 05:27:13.910341
• Title: VerifLM: Physically Verified Image-Edit-Guided Goal Pose Generation for Robotic Manipulation
• Title（参考訳）: VerifLM: ロボットマニピュレーションのための物理的に検証された画像編集ガイドによるゴールポッド生成
• Abstract要約: 画像編集されたゴール設定を物理的に検証された6-DoFオブジェクトに変換するフレームワークであるVerifLMを提案する。 編集画像を用いて、VerifLMはアクティブオブジェクトと受動的オブジェクトとの間の最初の相対的なポーズを復元し、視覚言語モデルに軸方向のサンプリング制約を生成する。 VerifLMは、9つのタスクのうち8つのタスクで最高のタスク成功を達成する。
• 参考スコア（独自算出の注目度）: 9.479649492414046
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many manipulation goals are easier to visualize than to specify numerically through explicit geometric constraints. We present VerifLM, a framework that converts image-edited goal configurations into physically verified 6-DoF object poses for planning. Using an edited image, VerifLM recovers an initial relative pose between an active object and a passive object, then prompts a vision-language model to generate axis-wise sampling constraints and a task-specific validation program. Candidate poses are evaluated in a physics simulator, and the VLM selects the most task-consistent retained candidate. To operate without predefined object meshes or physical parameters, VerifLM reconstructs metric object geometry from RGB-D observations and constructs multiple hypothetical simulations with varying physics and geometry. Parallel-world validation evaluates candidates across geometry--physics variations and ranks them by the number of worlds in which they satisfy the validation program. We evaluate VerifLM on nine manipulation tasks. VerifLM achieves the highest task success on eight of nine tasks, with the largest performance gain on goals requiring precise orientation and contact relationships.
• Abstract（参考訳）: 多くの操作目標は、明示的な幾何学的制約によって数値的に指定するよりも、可視化が容易である。 画像編集されたゴール設定を物理的に検証された6-DoFオブジェクトに変換するフレームワークであるVerifLMを提案する。 編集された画像を用いて、VerifLMはアクティブオブジェクトと受動的オブジェクトとの間の最初の相対的なポーズを復元し、視覚言語モデルに軸方向のサンプリング制約とタスク固有の検証プログラムを生成する。 候補ポーズは物理シミュレータで評価され、VLMは最もタスク一貫性のある保持候補を選択する。 予め定義された対象メッシュや物理パラメータを使わずに操作するために、VerifLMはRGB-D観測から計量対象幾何学を再構成し、物理と幾何学の異なる複数の仮説シミュレーションを構築する。 パラレルワールド検証は、幾何-物理のバリエーションにまたがる候補を評価し、それらが検証プログラムを満足する世界の数でランク付けする。 9つの操作タスクでVerifLMを評価する。 VerifLMは、9つのタスクのうち8つのタスクで最高のタスク成功を達成する。

関連論文リスト

• Embodied Zero-Shot Task Planning via Hardware-Aware LLM-VLM Integration for Grounded Robotic Manipulation [0.0]
  本稿では,Franka Research 3ロボットのためのハードウェア対応大規模言語モデルビジョン言語モデル (LLM-VLM) 操作フレームワークを提案する。 このフレームワークは、記号的推論とメトリック実行を分離する。 これは、ピックアップ、閉鎖されたソースアクセス、メンテナンスアウト推論、関係配置、シーケンシャルな操作タスクを含むデジタルツイントライアルのシミュレーションによって評価される。
  論文  参考訳（メタデータ） (2026-10-08T22:59:11Z)
• Iterative Grasp Pose Refinement: A Deep Reinforcement Learning Approach for 2D Vision [2.5899040911480182]
  本研究は,ロボットグリップリファインメントのための強化学習に基づくフレームワークを提案する。 幾何に基づくアルゴリズムは、提案フレームワークによって反復的に洗練される初期把握候補を生成する。 Dex-Netデータセットから300のオブジェクトに対して実施された実験は、フレームワークの有効性を実証している。
  論文  参考訳（メタデータ） (2026-08-18T10:44:58Z)
• STABLE: Simulation-Ready Tabletop Layout Generation via a Semantics-Physics Dual System [76.3920413336862]
  シミュレーション可能なテーブルトップシーン生成に適したセマンティックスと物理の二重システムであるSTABLEを提案する。 STABLEはセマンティック共振器と物理共振器の2つの相補的なモジュールで構成されている。 実験により、STABLEはタスク命令に厳密に準拠するシミュレーション可能なテーブルトップシーンを生成することができた。
  論文  参考訳（メタデータ） (2026-05-15T16:18:42Z)
• Finding NeMO: A Geometry-Aware Representation of Template Views for Few-Shot Perception [9.145558382187524]
  本稿では、RGB画像を用いたトレーニング中に見つからない物体の6DoFポーズの検出、セグメント化、推定に使用できる新しいオブジェクト中心表現を提案する。 本手法は,オブジェクトがスパースなオブジェクトのような点群を生成するために,オブジェクトを描写するRGBテンプレートビューを少数必要とするようなエンコーダから構成される。 次に、デコーダは、オブジェクトをクエリ画像とともに符号化し、様々な密集した予測を生成する。
  論文  参考訳（メタデータ） (2026-02-04T09:12:05Z)
• Kinematify: Open-Vocabulary Synthesis of High-DoF Articulated Objects [59.51185639557874]
  本稿では,任意のRGB画像やテキスト記述から直接音声オブジェクトを合成するフレームワークであるKinematifyを紹介する。 提案手法は, 高DoFオブジェクトに対する運動的トポロジの推測と静的幾何からの関節パラメータの推定という2つの課題に対処する。
  論文  参考訳（メタデータ） (2025-11-03T07:21:42Z)
• Open Eyes, Then Reason: Fine-grained Visual Mathematical Understanding in MLLMs [62.875934732547435]
  現在の大言語モデル(MLLM)は、細かな視覚的理解を必要とする数学的問題解決のタスクでは性能が劣ることが多い。 本稿では,最先端MLLMの視覚的接地能力を評価し,視覚的接地精度と問題解決性能との間に有意な負の相関関係を示す。 本稿では,幾何学的地上視覚エンコーダと,階層型視覚特徴マップの寄与度を動的に調整する機能ルータを備えた新しいアプローチであるSVE-Mathを提案する。
  論文  参考訳（メタデータ） (2025-01-11T04:08:44Z)
• ManiPose: A Comprehensive Benchmark for Pose-aware Object Manipulation in Robotics [55.85916671269219]
  本稿では,ポーズ変動操作タスクの研究を進めるための先駆的ベンチマークであるManiPoseを紹介する。 包括的データセットは、2936の現実世界のスキャンされた剛体オブジェクトと100の明瞭なオブジェクトに対して、幾何学的に一貫性があり、操作指向の6Dポーズラベルを備えている。 本ベンチマークは,ポーズ推定,ポーズ認識操作,実ロボットのスキル伝達における顕著な進歩を示す。
  論文  参考訳（メタデータ） (2024-03-20T07:48:32Z)
• Deep Reinforcement Learning Based on Local GNN for Goal-conditioned Deformable Object Rearranging [1.807492010338763]
  オブジェクトの再配置は、ロボットが変形可能なオブジェクトを目標設定に再構成する必要がある、最も一般的な変形可能な操作タスクの1つである。 従来の研究は、モデルベースまたはデータ駆動アプローチによる各タスクのエキスパートシステムの設計に重点を置いていた。 画像から検出されたキーポイントを2つの表現グラフを用いて符号化する局所GNN(Graph Neural Network)に基づく学習法を設計する。 我々のフレームワークはシミュレーションにおける複数の1-D(ロープリング、ロープリング)と2-D(クロース)の再構成作業に有効であり、キーポイント検出器を微調整することで、実際のロボットに容易に移行できる。
  論文  参考訳（メタデータ） (2023-02-21T05:21:26Z)
• Multitask AET with Orthogonal Tangent Regularity for Dark Object Detection [84.52197307286681]
  暗黒環境下でのオブジェクト検出を強化するために,新しいマルチタスク自動符号化変換(MAET)モデルを提案する。 自己超越的な方法で、MAETは、現実的な照明劣化変換を符号化して復号することで、本質的な視覚構造を学習する。 我々は,合成および実世界のデータセットを用いて最先端のパフォーマンスを達成した。
  論文  参考訳（メタデータ） (2022-05-06T16:27:14Z)
• 6-DoF Pose Estimation of Household Objects for Robotic Manipulation: An Accessible Dataset and Benchmark [17.493403705281008]
  本稿では,ロボット操作研究を中心に,既知の物体の6-DoFポーズ推定のための新しいデータセットを提案する。 我々は、おもちゃの食料品の3Dスキャンされたテクスチャモデルと、難解で散らかったシーンにおけるオブジェクトのRGBD画像を提供する。 半自動RGBD-to-modelテクスチャ対応を用いて、画像は数ミリ以内の精度で実証された地上の真実のポーズで注釈付けされる。 また,ADD-Hと呼ばれる新しいポーズ評価尺度を提案し,対象形状の対称性に頑健なハンガリー代入アルゴリズムについて,その明示的な列挙を必要とせず提案する。
  論文  参考訳（メタデータ） (2022-03-11T01:19:04Z)

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。