어수선한 환경에서 포인트 클라우드로부터 모션 실행 가능성 학습
Learning Motion Feasibility from Point Clouds in Cluttered Environments
한국어 초록
모션 실행 가능성 예측은 로봇공학에서, 특히 작업 및 모션 계획(task and motion planning)과 조작(manipulation)에서 핵심적인 역할을 한다. 어수선한 환경에서 이 문제의 주요 병목은 샘플링 기반 모션 플래너(SBMP)의 실행 불가능한 계획 시도가 상당한 계산 비용을 초래할 수 있다는 점이다. 또한 실행 불가능성 인증을 위한 기존 접근법은 저차원 구성(configuration) 공간에 한정되어 있으며, 종종 알려진 매개변수를 가진 기본 도형(primitive) 객체로 표현된 단순화된 기하 환경을 가정한다. 우리는 현실적인 어수선한 장면에서 동작하는 7 자유도(7-DOF) 매니퓰레이터에 대해 원시 RGB-D 관측값으로부터 모션 실행 가능성 예측을 직접 학습하는 상보적인 문제를 연구한다. 이 설정을 위한 최초의 대규모 벤치마크를 도입하며, 이는 88개의 스캔 객체와 190개의 어수선한 테이블톱 장면에 걸쳐 270만 개의 파지 가능성(grasp feasibility) 라벨로 구성된다. 동일한 학습(training) 조건에서 MLP 기반, 볼륨 CNN(volumetric-CNN), 포인트 클라우드 기반 트랜스포머(transformer) 아키텍처에 걸친 세 가지 대표적인 분류기 계열을 벤치마킹한다. 최고의 모델(model)인 GRASPFC-PTX(포인트 클라우드 트랜스포머)는 신규(Novel) 객체에 대해 AUROC 0.996을 달성하며, SBMP보다 현저히 빠른 예측을 제공한다.
원문 초록
Motion feasibility prediction plays a central role in robotics, particularly in task and motion planning and manipulation. A major bottleneck for this problem in cluttered environments is that infeasible planning attempts by Sampling-based motion planners (SBMPs) can incur substantial computational cost. Also existing approaches for infeasibility certification are limited to low-dimensional configuration spaces and often assume simplified geometric environments represented by primitive objects with known parameters. We study the complementary problem of learning motion feasibility prediction directly from raw RGB-D observations for a 7-DOF manipulator operating in realistic cluttered scenes. We introduce the first large-scale benchmark for this setting, comprising 2.7M grasp feasibility labels over 88 scanned objects and 190 cluttered tabletop scenes. We benchmark three representative classifier families spanning MLP- based, volumetric-CNN, and point-cloud-based Transformer architectures under matched training conditions. Our best model, GRASPFC-PTX (a point-cloud transformer), achieves an AUROC of 0.996 on Novel objects while providing predictions significantly faster than SBMPs.
요약
어수선한 장면에서 7 자유도(7-DOF) 매니퓰레이터의 모션 실행 가능성을 원시 RGB-D 포인트 클라우드로 직접 예측하는 문제를 다루며, 88개 스캔 객체와 190개 테이블톱 장면, 270만 개 파지 가능성 라벨로 구성된 대규모 벤치마크와 MLP·볼륨 CNN·포인트 클라우드 트랜스포머 분류기 비교를 제시한다. 최고 모델 GRASPFC-PTX는 신규(Novel) 객체에서 AUROC 0.996을 달성하고 샘플링 기반 모션 플래너(SBMP)보다 현저히 빠른 예측을 제공한다.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2606.26700v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
SelectArena: 실제 환경 정형 데이터를 위한 특징 선택 현대적 벤치마크
SelectArena: A Modern Benchmark for Feature Selection on Real-world Tabular Data
정형 데이터셋(tabular dataset)에서 특징(특성/열)의 하위 집합을 선택하는 것은 실제 응용 분야 전반에서 흔히 마주하는 과제입니다. 산업계 전문가들은 모델 학습(training) 비용을 최소화하고자 하며, 기후 과학자들은 극단적 기상 현상을 이해하기 위해 해석 가능한 요인들의 부분집합을 필요로 하고, 임상의들은 비용 및 시간 제약으로 인해 진단 검사 항목 중 일부를 선택해야 합니다. 어떤 특징 선택(feature selection) 방법을 사용해야 할지 결정하기 위해 학술 문헌을 살펴볼 때, 다양한 분야의 실무자들은 실제 현실을 제대로 반영하지 못하는 벤치마킹 환경과 마주하게 됩니다. 광범위한 연구에도 불구하고, 기존 특징 선택 벤치마크들은 구식 모델, 임시방편적 평가(evaluation) 프로토콜, 또는 실제 문제를 반영하지 못하는 인위적으로 생성된 데이터에 의존하여 유용한 지침을 제공하는 데 한계가 있었습니다. 이러한 과학적 벤치마킹과 실제 응용 사이의 격차를 해소하기 위해, 본 연구에서는 현대적인 특징 선택 벤치마크인 SelectArena를 소개합니다. 본 논문에서는 분류(classification) 및 회귀 문제를 포괄하는 엄선된 71개의 실제 정형 데이터셋을 대상으로, 표준화된 평가 프로토콜과 최신 정형 (파운데이션) 모델을 활용하여 널리 사용되는 15가지 특징 선택 방법을 비교합니다. 실험 결과는 예측 성능, 실행 시간, 안정성, 유효성 전반에서 명확한 트레이드오프를 보여줍니다. 트리 기반 방법인 CART 및 RFImportance와 F-검정(F-Test)은 예측 성능과 실행 시간을 종합적으로 고려했을 때 파레토 최적(Pareto-optimal)인 것으로 나타났습니다. F-검정, 정보 이론 기반 방법, 거리 기반 방법은 안정성과 유효성 측면에서 앞섰으며, 특히 F-검정은 모든 평가 지표에서 균형 잡힌 선택지로 부상했습니다. 탐색 기반 방법들은 느리고 불안정하며 낮은 성능을 보였습니다. SelectArena는 이러한 연구 결과를 실질적인 지침으로 전환하고, 확장 가능한 플랫폼으로서 향후 특징 선택 연구를 지원합니다.
눈송이를 넘어서: LiDAR 객체 검출에서 날씨 영향과 교란 메타 요인의 분리
Beyond the Snowflakes: Disentangling Weather Effects from Confounding Meta-Factors in LiDAR Object Detection
라이다(LiDAR, Light Detection and Ranging)는 자율 인지(autonomous perception)에 필수적이지만, 악천후에서 성능이 저하되는 것으로 알려져 있다. 기존 문헌은 눈을 성능을 저하시키는 대기 잡음(atmospheric noise)으로 모델링하지만, WADS-3D 및 CADC 데이터셋(dataset)에 대한 우리의 세밀한 평가는 반직관적인 현상을 드러낸다: 눈의 강도가 증가할수록 검출 정확도가 지속적으로 향상된다. 어블레이션 연구(ablation study)와 메타 정보 분석을 통해, 우리는 내리는 눈이 잡음으로 작용하는 것은 맞지만 그 부정적 영향이 동시에 발생하는 더 지배적인 요인, 즉 객체 포인트 수(object point count)의 상당한 증가에 의해 상쇄된다는 것을 확인하여 이를 설명한다. 우리는 이러한 객체 포인트 수 증가가 기하학적 향상(geometric enhancement)으로 작용한다고 가정하며, 이는 눈 축적이 차량 표면적을 증가시키고 정반사(specular reflectance)에서 난반사(diffuse reflectance)로의 전환을 유발하기 때문이라고 본다. 우리의 연구 결과는 상관된 객체 수준 데이터를 고려하지 않고 넓은 날씨 심각도 구간(weather-severity bin)을 사용하여 인지 시스템을 평가하면 검출기의 견고성(robustness)에 대해 오해를 불러일으키는 결론으로 이어질 수 있음을 보여준다. 우리는 정확한 평가를 위해서는 대기 잡음과 표면 축적 효과를 분리해야 한다고 결론짓고, 이러한 물리적 모델을 검증하기 위한 향후 연구 방향을 제시한다. WADS-3D 데이터셋은 다음에서 확인할 수 있다: https://digitalcommons.mtu.edu/wads-3d/.
MARTA: a model for the automatic phonemic grouping of the parkinsonian speech
Open-World Social Event Classification
Color-aware two-branch DCNN for efficient plant disease classification
Multi-Class Road User Detection With 3+1D Radar in the View-of-Delft Dataset
토론
이 논문과 연결된 포럼 글이 아직 없습니다.