A Novel Indicator for Quantifying and Minimizing Information Utility Loss of Robot Teams

投稿日: 2025年6月18日 作成者: jarxiv

要約

チーム内のロボット間の情報のタイムリーな交換は不可欠ですが、限られたワイヤレス容量によって制約される可能性があります。
情報を迅速に配信できないと、ロボット間の共同作業に影響を与える推定エラーが発生する可能性があります。
このホワイトペーパーでは、協力に重要な情報の新鮮さと有用性を定量化するために、情報ユーティリティの損失（LOIU）と呼ばれる新しいメトリックを提案します。
このメトリックにより、ロボットは帯域幅の制約内で情報送信に優先順位を付けることができます。
また、信念分布を使用してLOIUの推定を提案し、それに応じて、ロボットチーム内の時間平均LOIUを最小限に抑えるために、デバイスからデバイスへの送信の送信スケジュールとリソース割り当て戦略の両方を最適化します。
中央の批評家がモビリティと干渉に応じて俳優を定期的に評価および改良する一方で、各ロボットが協力者間の送信のスケジューリングを担当するアクターとして機能する半隔離されたマルチエージェントの深い決定論的勾配フレームワークが開発されています。
シミュレーション当社のアプローチの有効性を検証し、代替方法と比較して、情報の鮮度と有用性の強化を98％示します。

要約(オリジナル)

The timely exchange of information among robots within a team is vital, but it can be constrained by limited wireless capacity. The inability to deliver information promptly can result in estimation errors that impact collaborative efforts among robots. In this paper, we propose a new metric termed Loss of Information Utility (LoIU) to quantify the freshness and utility of information critical for cooperation. The metric enables robots to prioritize information transmissions within bandwidth constraints. We also propose the estimation of LoIU using belief distributions and accordingly optimize both transmission schedule and resource allocation strategy for device-to-device transmissions to minimize the time-average LoIU within a robot team. A semi-decentralized Multi-Agent Deep Deterministic Policy Gradient framework is developed, where each robot functions as an actor responsible for scheduling transmissions among its collaborators while a central critic periodically evaluates and refines the actors in response to mobility and interference. Simulations validate the effectiveness of our approach, demonstrating an enhancement of information freshness and utility by 98%, compared to alternative methods.

arxiv情報

著者 Xiyu Zhao,Qimei Cui,Wei Ni,Quan Z. Sheng,Abbas Jamalipour,Guoshun Nan,Xiaofeng Tao,Ping Zhang
発行日 2025-06-17 06:51:01+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.DC, cs.RO | A Novel Indicator for Quantifying and Minimizing Information Utility Loss of Robot Teams はコメントを受け付けていません

Robust Adaptive Time-Varying Control Barrier Function with Application to Robotic Surface Treatment

投稿日: 2025年6月18日 作成者: jarxiv

要約

制御バリア関数（CBFS）などの設定不変性手法を使用して、動的オブジェクトからの安全な距離を維持するなどの時間変化の制約を実施できます。
ただし、時間変化の制約を実施するための既存の方法は、しばしばモデルの不確実性を見落としています。
この問題に対処するために、このホワイトペーパーでは、パラメトリックの不確実性と添加剤障害を検討しながら、CBFSベースの堅牢な適応コントローラー設計を提案します。
この目的のために、最初に、モデルの不確実性を処理するために、堅牢な適応制御バリア関数（RACBFS）を活用して、入力から状態の安全性（ISSF）の概念とともに、入力障害に対する堅牢性を確保します。
さらに、固有の保守主義を堅牢性に緩和するために、セットメンバーシップ識別スキームも組み込みます。
数値シミュレーションと実際のロボットセットアップで、均一な品質を確保するために時間変化する力境界を必要とするロボット表面処理に関する提案された方法を実証し、品質が許容範囲内で正式に保証されていることを示します。

要約(オリジナル)

Set invariance techniques such as control barrier functions (CBFs) can be used to enforce time-varying constraints such as keeping a safe distance from dynamic objects. However, existing methods for enforcing time-varying constraints often overlook model uncertainties. To address this issue, this paper proposes a CBFs-based robust adaptive controller design endowing time-varying constraints while considering parametric uncertainty and additive disturbances. To this end, we first leverage Robust adaptive Control Barrier Functions (RaCBFs) to handle model uncertainty, along with the concept of Input-to-State Safety (ISSf) to ensure robustness towards input disturbances. Furthermore, to alleviate the inherent conservatism in robustness, we also incorporate a set membership identification scheme. We demonstrate the proposed method on robotic surface treatment that requires time-varying force bounds to ensure uniform quality, in numerical simulation and real robotic setup, showing that the quality is formally guaranteed within an acceptable range.

arxiv情報

著者 Yitaek Kim,Christoffer Sloth
発行日 2025-06-17 07:11:03+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.RO | Robust Adaptive Time-Varying Control Barrier Function with Application to Robotic Surface Treatment はコメントを受け付けていません

Public Acceptance of Cybernetic Avatars in the service sector: Evidence from a Large-Scale Survey in Dubai

投稿日: 2025年6月18日 作成者: jarxiv

要約

サイバネティックなアバターは、自律能力とテレオ蒸発制御を組み合わせたハイブリッドインタラクションロボットまたはデジタル表現です。
この研究では、ドバイの非常に多文化協会におけるサイバネティックなアバターの受け入れを調査し、特に顧客サービスのためのロボットアバターに重点を置いています。
具体的には、ロボットの外観（Android、ロボット、漫画風など）、展開設定（ショッピングモール、ホテル、病院など）、および機能的なタスク（例：情報、パトロール）の関数として、受け入れがどのように変化するかを探ります。
この目的のために、1,000人以上の参加者との大規模な調査を実施しました。
全体として、サイバネティックなアバターは高いレベルの受け入れを受け、物理ロボットアバターはデジタルアバターよりも高い受け入れを受けています。
外観に関しては、非常に擬人化されたロボットの外観を持つロボットアバターが最も受け入れられ、その後に漫画風のデザインとアンドロイドが続きました。
動物のような外観は、最も低いレベルの受け入れを受けました。
タスクの中で、情報とガイダンスを提供することは、最も価値のあるものとして評価されました。
ショッピングモール、空港、公共交通機関、博物館は、最も受け入れられる環境でしたが、ヘルスケア関連のスペースはより低いレベルのサポートを受けました。
コミュニティクラスターによる分析により、とりわけエミラティの回答者がサンプル全体と比較してAndroidの外観を大幅に受け入れたことが示されたことが明らかになりましたが、「他のアジア」クラスターの参加者は漫画の外観を大幅に受け入れていました。
私たちの研究は、市民のフィードバックを初期段階からのサイバネティックアバターの設計と展開に組み込むことの重要性を強調しており、社会におけるこの技術の受け入れを強化します。

要約(オリジナル)

Cybernetic avatars are hybrid interaction robots or digital representations that combine autonomous capabilities with teleoperated control. This study investigates the acceptance of cybernetic avatars in the highly multicultural society of Dubai, with particular emphasis on robotic avatars for customer service. Specifically, we explore how acceptance varies as a function of robot appearance (e.g., android, robotic-looking, cartoonish), deployment settings (e.g., shopping malls, hotels, hospitals), and functional tasks (e.g., providing information, patrolling). To this end, we conducted a large-scale survey with over 1,000 participants. Overall, cybernetic avatars received a high level of acceptance, with physical robot avatars receiving higher acceptance than digital avatars. In terms of appearance, robot avatars with a highly anthropomorphic robotic appearance were the most accepted, followed by cartoonish designs and androids. Animal-like appearances received the lowest level of acceptance. Among the tasks, providing information and guidance was rated as the most valued. Shopping malls, airports, public transport stations, and museums were the settings with the highest acceptance, whereas healthcare-related spaces received lower levels of support. An analysis by community cluster revealed among others that Emirati respondents showed significantly greater acceptance of android appearances compared to the overall sample, while participants from the ‘Other Asia’ cluster were significantly more accepting of cartoonish appearances. Our study underscores the importance of incorporating citizen feedback into the design and deployment of cybernetic avatars from the early stages to enhance acceptance of this technology in society.

arxiv情報

著者 Laura Aymerich-Franch,Tarek Taha,Takahiro Miyashita,Hiroko Kamide,Hiroshi Ishiguro,Paolo Dario
発行日 2025-06-17 07:34:13+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.ET, cs.HC, cs.RO | Public Acceptance of Cybernetic Avatars in the service sector: Evidence from a Large-Scale Survey in Dubai はコメントを受け付けていません

Whole-Body Control Framework for Humanoid Robots with Heavy Limbs: A Model-Based Approach

投稿日: 2025年6月18日 作成者: jarxiv

要約

ヒューマノイドロボットは、重い手足の動きのために、多くの場合、重大なバランスの問題に直面しています。
これらの課題は、動的な動きを試みたり、不規則な地形を持つ環境で動作する場合に特に顕著です。
この課題に対処するために、この原稿は、Kino-Dynamicsプランナーと階層的最適化問題を組み合わせたモデルベースのアプローチを使用して、重い手足を持つヒューマノイドロボットの全身制御フレームワークを提案します。
Kino-Dynamicsプランナーは、質量および慣性分布に対する重い手足の影響を説明するために、モデル予測制御（MPC）スキームとして設計されています。
ロボットのシステムのダイナミクスと制約を簡素化することにより、プランナーは運動と接触力のリアルタイム計画を可能にします。
階層的最適化問題は、階層的な二次プログラミング（HQP）を使用して策定され、手足制御エラーを最小限に抑え、Kino-Dynamicsプランナーによって生成されたポリシーへの準拠を確保します。
提案されたフレームワークの実験的検証は、その有効性を示しています。
提案されたフレームワークによって制御された重い手足を備えたヒューマノイドロボットは、最大1.2〜m/sの動的な歩行速度を達成し、最大60〜Nの外乱に応答し、不均一な表面や屋外環境などの困難な地形のバランスを維持できます。

要約(オリジナル)

Humanoid robots often face significant balance issues due to the motion of their heavy limbs. These challenges are particularly pronounced when attempting dynamic motion or operating in environments with irregular terrain. To address this challenge, this manuscript proposes a whole-body control framework for humanoid robots with heavy limbs, using a model-based approach that combines a kino-dynamics planner and a hierarchical optimization problem. The kino-dynamics planner is designed as a model predictive control (MPC) scheme to account for the impact of heavy limbs on mass and inertia distribution. By simplifying the robot’s system dynamics and constraints, the planner enables real-time planning of motion and contact forces. The hierarchical optimization problem is formulated using Hierarchical Quadratic Programming (HQP) to minimize limb control errors and ensure compliance with the policy generated by the kino-dynamics planner. Experimental validation of the proposed framework demonstrates its effectiveness. The humanoid robot with heavy limbs controlled by the proposed framework can achieve dynamic walking speeds of up to 1.2~m/s, respond to external disturbances of up to 60~N, and maintain balance on challenging terrains such as uneven surfaces, and outdoor environments.

arxiv情報

著者 Tianlin Zhang,Linzhu Yue,Hongbo Zhang,Lingwei Zhang,Xuanqi Zeng,Zhitao Song,Yun-Hui Liu
発行日 2025-06-17 07:45:09+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.RO | Whole-Body Control Framework for Humanoid Robots with Heavy Limbs: A Model-Based Approach はコメントを受け付けていません

Steering Robots with Inference-Time Interactions

投稿日: 2025年6月18日 作成者: jarxiv

要約

模倣学習は、複数のタスクを自律的に解決できるジェネラリスト政策の開発を促進しました。
ただし、展開中に事前に処理されたポリシーがエラーを犯した場合、ユーザーがその動作を修正するメカニズムは限られています。
Finetuningの追加データを収集することで、そのような問題に対処できますが、ダウンストリームユースケースごとにそうすることは展開には非効率的です。
私の研究では、代替案を提案しています。前提条件のポリシーを固定スキルのレパートリーとして凍結し、ユーザーインタラクションが推論時にユーザーの好みに向けて動作生成を導くことを許可します。
事前に守られたポリシーを操縦可能にすることにより、ユーザーは、モデルがポリシーを微調整する必要がある場合に一般化するのに苦労しているときに、ポリシーエラーを修正するのに役立ちます。
具体的には、（1）（1）ユーザーのインタラクションを活用して個別のスキルを切り替えることを提案します。（2）タスクとモーションの模倣を提案します。
これらのフレームワークは、追加のトレーニングを必要とせずに、誤ったポリシーの予測を修正し、推論時間ユーザーの目標を達成しながら、前提条件のモデルの有用性を最大化します。

要約(オリジナル)

Imitation learning has driven the development of generalist policies capable of autonomously solving multiple tasks. However, when a pretrained policy makes errors during deployment, there are limited mechanisms for users to correct its behavior. While collecting additional data for finetuning can address such issues, doing so for each downstream use case is inefficient at deployment. My research proposes an alternative: keeping pretrained policies frozen as a fixed skill repertoire while allowing user interactions to guide behavior generation toward user preferences at inference time. By making pretrained policies steerable, users can help correct policy errors when the model struggles to generalize-without needing to finetune the policy. Specifically, I propose (1) inference-time steering, which leverages user interactions to switch between discrete skills, and (2) task and motion imitation, which enables user interactions to edit continuous motions while satisfying task constraints defined by discrete symbolic plans. These frameworks correct misaligned policy predictions without requiring additional training, maximizing the utility of pretrained models while achieving inference-time user objectives.

arxiv情報

著者 Yanwei Wang
発行日 2025-06-17 07:59:07+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.HC, cs.LG, cs.RO | Steering Robots with Inference-Time Interactions はコメントを受け付けていません

Uncertainty-Driven Radar-Inertial Fusion for Instantaneous 3D Ego-Velocity Estimation

投稿日: 2025年6月18日 作成者: jarxiv

要約

高解像度のイメージングレーダーと慣性測定ユニットを統合することにより、自律ナビゲーションにおけるエゴ速度を推定する方法を提示します。
提案されたアプローチは、ニューラルネットワークを採用して複雑な値の生レーダーデータを処理し、関連する不確実性とともに瞬間的な線形エゴ速度を推定することにより、従来のレーダーベースのエゴモーション推定技術の制限に対処します。
この不確実性認識速度推定は、拡張されたカルマンフィルターを使用して慣性測定ユニットデータと統合されます。
フィルターは、ネットワーク予測の不確実性を活用して、慣性センサーのノイズとバイアスパラメーターを改良し、エゴモーション推定の全体的な堅牢性と精度を改善します。
公開されているColoradarデータセットで提案された方法を評価しました。
私たちのアプローチは、最も近い公的に利用可能な方法と比較して、誤差が大幅に低く、一致ベースのテクニックとスキャンの両方を上回ります。

要約(オリジナル)

We present a method for estimating ego-velocity in autonomous navigation by integrating high-resolution imaging radar with an inertial measurement unit. The proposed approach addresses the limitations of traditional radar-based ego-motion estimation techniques by employing a neural network to process complex-valued raw radar data and estimate instantaneous linear ego-velocity along with its associated uncertainty. This uncertainty-aware velocity estimate is then integrated with inertial measurement unit data using an Extended Kalman Filter. The filter leverages the network-predicted uncertainty to refine the inertial sensor’s noise and bias parameters, improving the overall robustness and accuracy of the ego-motion estimation. We evaluated the proposed method on the publicly available ColoRadar dataset. Our approach achieves significantly lower error compared to the closest publicly available method and also outperforms both instantaneous and scan matching-based techniques.

arxiv情報

著者 Prashant Kumar Rai,Elham Kowsari,Nataliya Strokina,Reza Ghabcheloo
発行日 2025-06-17 08:10:39+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.RO, eess.SP | Uncertainty-Driven Radar-Inertial Fusion for Instantaneous 3D Ego-Velocity Estimation はコメントを受け付けていません

Socially Aware Robot Crowd Navigation via Online Uncertainty-Driven Risk Adaptation

投稿日: 2025年6月18日 作成者: jarxiv

要約

ロボットは人間の動きの慣習を尊重しながら効率的に移動すると予想されるため、人間とロボットの共有混雑した環境のナビゲーションは依然として困難です。
しかし、多くの既存のアプローチは、社会的認識を見落としながら、安全性または効率性を強調しています。
この記事では、効率、安全性、社会的認識のバランスをとるデータ駆動型ナビゲーションアルゴリズムである学習リスクモデル予測制御（LR-MPC）を提案します。
LR-MPCは、ヒューリスティックMPCベースのベースライン（HR-MPC）のリスクデータを使用して確率的アンサンブルニューラルネットワーク（PENN）を使用してトレーニングされるオフラインリスク学習フェーズと、ローカルウェイポイントがサンプリングされ、マルチRRTプランナーによってグローバルにガイドされるオンライン適応推論フェーズを使用してトレーニングされる2つのフェーズで構成されています。
各候補ウェイポイントはPennによってリスクについて評価され、予測は認識論的およびaleatoricの不確実性を使用してフィルタリングされ、堅牢な意思決定を確保します。
最も安全なウェイポイントは、リアルタイムナビゲーションのMPC入力として選択されます。
広範な実験は、LR-MPCが成功率と社会的認識のベースライン方法を上回り、ロボットが高い順応性と低下で複雑な群衆をナビゲートできるようにすることを示しています。
この作品に関するウェブサイトは、https：//sites.google.com/view/lr-mpcで入手できます。

要約(オリジナル)

Navigation in human-robot shared crowded environments remains challenging, as robots are expected to move efficiently while respecting human motion conventions. However, many existing approaches emphasize safety or efficiency while overlooking social awareness. This article proposes Learning-Risk Model Predictive Control (LR-MPC), a data-driven navigation algorithm that balances efficiency, safety, and social awareness. LR-MPC consists of two phases: an offline risk learning phase, where a Probabilistic Ensemble Neural Network (PENN) is trained using risk data from a heuristic MPC-based baseline (HR-MPC), and an online adaptive inference phase, where local waypoints are sampled and globally guided by a Multi-RRT planner. Each candidate waypoint is evaluated for risk by PENN, and predictions are filtered using epistemic and aleatoric uncertainty to ensure robust decision-making. The safest waypoint is selected as the MPC input for real-time navigation. Extensive experiments demonstrate that LR-MPC outperforms baseline methods in success rate and social awareness, enabling robots to navigate complex crowds with high adaptability and low disruption. A website about this work is available at https://sites.google.com/view/lr-mpc.

arxiv情報

著者 Zhirui Sun,Xingrong Diao,Yao Wang,Bi-Ke Zhu,Jiankun Wang
発行日 2025-06-17 08:33:11+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.RO | Socially Aware Robot Crowd Navigation via Online Uncertainty-Driven Risk Adaptation はコメントを受け付けていません

H$^3$DP: Triply-Hierarchical Diffusion Policy for Visuomotor Learning

投稿日: 2025年6月18日 作成者: jarxiv

要約

視覚運動の政策学習は、ロボット操作の大きな進歩を目撃しており、最近のアプローチは、アクション分布をモデル化するために生成モデルに主に依存しています。
ただし、これらの方法は、視覚的知覚とアクション予測の間の重要な結合を見落としていることがよくあります。
この作業では、$ \ textbf {triply-hierarchical拡散ポリシー}〜（\ textbf {h $^{\ mathbf {3}} $ dp}）$を紹介します。
h $^{3} $ dpには、階層の$ \ mathbf {3} $レベルのレベルが含まれています：（1）深度情報に基づいてRGB-D観測を編成する深度認識入力層。
（2）さまざまなレベルの粒度でセマンティック機能をエンコードするマルチスケールの視覚表現。
（3）粗から調整のアクションの生成を対応する視覚的特徴と整列させる階層的に条件付けられた拡散プロセス。
広範な実験では、H $^{3} $ dpが$ \ mathbf {+27.5 \％} $ $ \ mathbf {44} $ $シミュレーションタスク全体でベースライン上の平均相対的改善をもたらし、$ \ mathbf {4} $課題の実質的なマニピュレーションタスクで優れたパフォーマンスを達成することを示しています。
プロジェクトページ：https：//lyy-iiis.github.io/h3dp/。

要約(オリジナル)

Visuomotor policy learning has witnessed substantial progress in robotic manipulation, with recent approaches predominantly relying on generative models to model the action distribution. However, these methods often overlook the critical coupling between visual perception and action prediction. In this work, we introduce $\textbf{Triply-Hierarchical Diffusion Policy}~(\textbf{H$^{\mathbf{3}}$DP})$, a novel visuomotor learning framework that explicitly incorporates hierarchical structures to strengthen the integration between visual features and action generation. H$^{3}$DP contains $\mathbf{3}$ levels of hierarchy: (1) depth-aware input layering that organizes RGB-D observations based on depth information; (2) multi-scale visual representations that encode semantic features at varying levels of granularity; and (3) a hierarchically conditioned diffusion process that aligns the generation of coarse-to-fine actions with corresponding visual features. Extensive experiments demonstrate that H$^{3}$DP yields a $\mathbf{+27.5\%}$ average relative improvement over baselines across $\mathbf{44}$ simulation tasks and achieves superior performance in $\mathbf{4}$ challenging bimanual real-world manipulation tasks. Project Page: https://lyy-iiis.github.io/h3dp/.

arxiv情報

著者 Yiyang Lu,Yufeng Tian,Zhecheng Yuan,Xianbang Wang,Pu Hua,Zhengrong Xue,Huazhe Xu
発行日 2025-06-17 08:36:51+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.CV, cs.RO | H$^3$DP: Triply-Hierarchical Diffusion Policy for Visuomotor Learning はコメントを受け付けていません

ClutterDexGrasp: A Sim-to-Real System for General Dexterous Grasping in Cluttered Scenes

投稿日: 2025年6月18日 作成者: jarxiv

要約

乱雑なシーンで器用な把握は、多様なオブジェクトの形状、閉塞、潜在的な衝突のために大きな課題をもたらします。
既存の方法は、主に、相互作用なしに単一オブジェクトの把握または把握予測に焦点を当てています。これは、複雑で散らかったシーンには不十分です。
最近のビジョン言語アクションモデルは潜在的なソリューションを提供しますが、広範な現実世界のデモンストレーションが必要であり、コストがかかり、スケーリングが困難になっています。
これらの制限に対処するために、SIMからリアルへの転送パイプラインを再検討し、堅牢な一般化を維持しながら、実際にゼロショットの展開を可能にする重要な技術を開発します。
ClutterDexgraspは、散らかったシーンで閉ループターゲット指向の器用な滑らかな握りのための2段階の教師と学生のフレームワークであることを提案します。
このフレームワークは、クラッター密度カリキュラム学習を使用してシミュレーションで訓練された教師ポリシーを特徴としています。新しい幾何学と空間的に包まれたシーン表現の両方を組み込み、包括的な安全カリキュラムを取り入れ、一般的でダイナミックな、安全な把握行動を可能にします。
模倣学習を通じて、教師の知識を、部分的な点クラウド観測で動作する学生3D拡散ポリシー（DP3）に蒸留します。
私たちの知る限り、これは、散らかったシーンでターゲット指向の器用な握りのための最初のゼロショットシムからリアルの閉ループシステムを表し、多様なオブジェクトとレイアウトにわたって堅牢なパフォーマンスを示しています。
詳細とビデオは、https：//clutterdexgrasp.github.io/をご覧ください。

要約(オリジナル)

Dexterous grasping in cluttered scenes presents significant challenges due to diverse object geometries, occlusions, and potential collisions. Existing methods primarily focus on single-object grasping or grasp-pose prediction without interaction, which are insufficient for complex, cluttered scenes. Recent vision-language-action models offer a potential solution but require extensive real-world demonstrations, making them costly and difficult to scale. To address these limitations, we revisit the sim-to-real transfer pipeline and develop key techniques that enable zero-shot deployment in reality while maintaining robust generalization. We propose ClutterDexGrasp, a two-stage teacher-student framework for closed-loop target-oriented dexterous grasping in cluttered scenes. The framework features a teacher policy trained in simulation using clutter density curriculum learning, incorporating both a novel geometry and spatially-embedded scene representation and a comprehensive safety curriculum, enabling general, dynamic, and safe grasping behaviors. Through imitation learning, we distill the teacher’s knowledge into a student 3D diffusion policy (DP3) that operates on partial point cloud observations. To the best of our knowledge, this represents the first zero-shot sim-to-real closed-loop system for target-oriented dexterous grasping in cluttered scenes, demonstrating robust performance across diverse objects and layouts. More details and videos are available at https://clutterdexgrasp.github.io/.

arxiv情報

著者 Zeyuan Chen,Qiyang Yan,Yuanpei Chen,Tianhao Wu,Jiyao Zhang,Zihan Ding,Jinzhou Li,Yaodong Yang,Hao Dong
発行日 2025-06-17 08:50:49+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.RO | ClutterDexGrasp: A Sim-to-Real System for General Dexterous Grasping in Cluttered Scenes はコメントを受け付けていません

Barrier Method for Inequality Constrained Factor Graph Optimization with Application to Model Predictive Control

投稿日: 2025年6月18日 作成者: jarxiv

要約

因子グラフは、特にローカリゼーションとマッピングアプリケーションにおいて、ロボット認識タスクの顕著な効率を実証しています。
ただし、最適な制御問題、特にモデル予測制御（MPC）への適用は、制約処理の基本的な課題により、限られたままです。
このペーパーでは、広く採用されているG2Oフレームワークのオープンソース拡張として実装された因子グラフとバリア内インテリアポイント法（BIPM）と因子グラフの新しい統合を紹介します。
私たちのアプローチでは、対数バリア関数をコードする特殊な不等式因子ノードを導入し、それによって従来の因子グラフ製剤の二次形式の制限を克服します。
私たちの知る限り、これは統一された最適化バックエンド内で平等と不平等の制約の両方を効率的に処理できる最初のG2Oベースの実装です。
自動運転車用の多目的適応クルーズコントロールアプリケーションを使用して、この方法を検証します。
ベンチマークの最先端の制約処理手法との比較により、収束が速くなり、計算効率が向上します。
（コードリポジトリ：https：//github.com/snt-arg/bipm_g2o）

要約(オリジナル)

Factor graphs have demonstrated remarkable efficiency for robotic perception tasks, particularly in localization and mapping applications. However, their application to optimal control problems — especially Model Predictive Control (MPC) — has remained limited due to fundamental challenges in constraint handling. This paper presents a novel integration of the Barrier Interior Point Method (BIPM) with factor graphs, implemented as an open-source extension to the widely adopted g2o framework. Our approach introduces specialized inequality factor nodes that encode logarithmic barrier functions, thereby overcoming the quadratic-form limitations of conventional factor graph formulations. To the best of our knowledge, this is the first g2o-based implementation capable of efficiently handling both equality and inequality constraints within a unified optimization backend. We validate the method through a multi-objective adaptive cruise control application for autonomous vehicles. Benchmark comparisons with state-of-the-art constraint-handling techniques demonstrate faster convergence and improved computational efficiency. (Code repository: https://github.com/snt-arg/bipm_g2o)

arxiv情報

著者 Anas Abdelkarim,Holger Voos,Daniel Görges
発行日 2025-06-17 09:26:04+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.RO, cs.SY, eess.SY | Barrier Method for Inequality Constrained Factor Graph Optimization with Application to Model Predictive Control はコメントを受け付けていません