A Robust Antenna Provides Tactile Feedback in a Multi-legged Robot
この論文は、生体センシパの形態と機能を模倣した勾配剛性を持つ触覚アンテナを開発し、その変形から接触状態を推定して制御に活用することで、視覚や大域的情報なしに複雑で狭い環境を自律的に移動する多脚ロボットの性能を向上させたことを報告しています。
🦾 Category
cs.RO
859 件の論文
Inverse Resistive Force Theory (I-RFT): Learning granular properties through robot-terrain physical interactions
この論文は、ロボットの歩行中の接触力から任意の歩行軌道で砂地などの地盤特性を推定するための物理情報統合型機械学習フレームワーク「逆抵抗力理論（I-RFT）」を提案し、地盤の物理的整合性を保ちながら効率的な地形探索と歩行戦略の最適化を実現することを示しています。
Toward Global Intent Inference for Human Motion by Inverse Reinforcement Learning
本論文は、逆強化学習を用いて単一の時間変化するコスト関数が、被験者や姿勢に依存せず人間の到達運動を高精度に予測・説明できることを実証し、この種の運動を支配する統一的な最適性原理の存在を支持しています。
MWM: Mobile World Models for Action-Conditioned Consistent Prediction
本論文は、マルチステップ展開における視覚的整合性を維持し、推論効率を向上させるために、構造事前学習とアクション条件付き整合性（ACC）の事後学習を組み合わせた二段階トレーニングフレームワークと、整合性を保った推論向け蒸留手法（ICSD）を提案するモバイル世界モデル「MWM」を提案しています。
Preference-Conditioned Reinforcement Learning for Space-Time Efficient Online 3D Bin Packing
本論文は、パッキング密度を維持しつつ運用時間を大幅に削減するため、空間的利得と時間的コストのトレードオフを明示的に評価する選好条件付き強化学習アプローチ「STEP」を提案しています。
Uncertainty Mitigation and Intent Inference: A Dual-Mode Human-Machine Joint Planning System
この論文は、不確実性の軽減と意図の推論という二つのモードを統合し、LLM 支援による能動的な問いかけと確率的信念に基づく意図推論を活用することで、人間のロボットとの協働における対話コストとタスク実行時間を大幅に削減する新しい双方向人間・機械共同計画システムを提案し、シミュレーションおよび実世界での UAV 展開でその有効性を検証したものである。
Reasoning Knowledge-Gap in Drone Planning via LLM-based Active Elicitation
本論文は、無人航空機（UAV）の計画における知識の欠如を、人間の制御引き継ぎではなく、大規模言語モデルを活用した最小限の双方向質問による能動的な情報収集で解決する「MINT」という新フレームワークを提案し、シミュレーションおよび実世界環境での検索・救助タスクにおいて、成功率の向上と人間との対話頻度の大幅な削減を実現することを示しています。
Physics-infused Learning for Aerial Manipulator in Winds and Near-Wall Environments
本論文は、物理モデルと学習ベースの残差推定を統合し、風や壁面近傍の複雑な空力環境下でも無人航空機による接触操作を可能にする強固な制御枠組みを提案し、シミュレーションにおいて従来手法を上回る追従精度と擾乱補償性能を実証しています。
Relating Reinforcement Learning to Dynamic Programming-Based Planning
この論文は、動的計画法に基づく最適計画と強化学習の間のギャップを埋め、両者の等価条件を数学的に分析し、任意のパラメータに依存せず「真のコスト」の最適化を提唱するとともに、決定論的および確率的なモデルにおける性能比較を通じて両者の関係を明らかにするものである。
Viewpoint-Agnostic Grasp Pipeline using VLM and Partial Observations
本論文は、視点を問わない部分観測条件下での頑健な把持を実現するため、自然言語指示に基づき視覚言語モデルと点雲補完技術を活用して安全な把持動作を生成するエンドツーエンドのパイプラインを提案し、実ロボットによる実験で既存手法を大幅に上回る成功率を達成したことを報告しています。
Choose What to Observe: Task-Aware Semantic-Geometric Representations for Visuomotor Policy
この論文は、タスク関連のエンティティをセマンティック色と単眼深度で再描画した統一された観測インターフェースを提案し、ポリシーの微調整なしに視覚的変化に対するロバスト性を大幅に向上させる手法を提示しています。
Identifying Influential Actions in Human-Robot Interactions
この論文は、転移エントロピーを用いて遠隔操作ロボットアバターとの会話において、人間の行動に影響を与える重要なロボット行動（特に近接性）を特定する手法を提案し、ロボットシステムの設計と適応性の向上への可能性を示しています。
RoboRouter: Training-Free Policy Routing for Robotic Manipulation
本論文は、既存の多様なロボット操作ポリシーの強みを活かすために、試行錯誤なしにタスクに最適なポリシーを動的に選択・学習する「RoboRouter」というトレーニング不要のルーティングフレームワークを提案し、シミュレーションおよび実世界での成功率を大幅に向上させることを実証しています。
NaviDriveVLM: Decoupling High-Level Reasoning and Motion Planning for Autonomous Driving
この論文は、大規模なナビゲーターと軽量なドライバーを分離することで、推論能力と運動計画の両立、学習コストの削減、そして解釈性の向上を実現し、nuScenes ベンチマークで既存の VLM ベースラインを上回る自律運転フレームワーク「NaviDriveVLM」を提案しています。
DyQ-VLA: Temporal-Dynamic-Aware Quantization for Embodied Vision-Language-Action Models
本論文は、実体型ビジョン・言語・アクション（VLA）モデルの推論オーバーヘッドを削減するため、時間的ダイナミクスに敏感なビット幅の動的割り当てを行う新しい量子化フレームワーク「DyQ-VLA」を提案し、メモリ使用量を約 30.9% に削減しながら性能を 99.5% 維持し、シミュレーションおよび実世界での高速化を実現したことを報告しています。
Long-Short Term Agents for Pure-Vision Bronchoscopy Robotic Autonomy
本論文は、外部トラッキング装置を必要とせず、事前の CT 画像とライブ内視鏡映像のみを用いて、短期反応エージェントと長期戦略エージェント、そして世界モデルクリティックを階層的に統合した自律型気管支鏡ナビゲーションシステムを提案し、その生体前臨床試験における有効性を実証したものである。
Omnidirectional Humanoid Locomotion on Stairs via Unsafe Stepping Penalty and Sparse LiDAR Elevation Mapping
本論文は、密な危険ステップペナルティとエッジ誘導非対称 U-Net による疎な LiDAR 昇降マップの補正を組み合わせた単段階学習フレームワークを提案し、ヒューマノイドロボットが階段を含む複雑な屋外環境において安全かつ安定した全方位歩行を実現することを示しています。
Unified Structural-Hydrodynamic Modeling of Underwater Underactuated Mechanisms and Soft Robots
この論文は、CMA-ES に着想を得た軌道駆動型グローバル最適化フレームワークを提案し、水中の非駆動機構やソフトロボットの内部構造パラメータと外部流体力学パラメータを同時に同定することで、高い忠実度で実機挙動を再現可能にする統合モデル化手法を確立したものである。
RAPID: Redundancy-Aware and Compatibility-Optimal Edge-Cloud Partitioned Inference for Diverse VLA models
本論文は、視覚ノイズへの耐性と身体動作の連続性を維持しつつ、VLA モデルのエッジ - クラウド協調推論における冗長性を活用して推論速度を最大 1.73 倍向上させる新しいフレームワーク「RAPID」を提案し、その有効性を示しています。
VORL-EXPLORE: A Hybrid Learning Planning Approach to Multi-Robot Exploration in Dynamic Environments
本論文は、動的環境におけるマルチロボット探索の課題を解決するため、実行の信頼性（フィデリティ）推定をタスク割当と運動実行に統合し、自律的な適応と衝突回避を実現するハイブリッド学習・計画フレームワーク「VORL-EXPLORE」を提案するものである。