論文の概要: Design and Control of Roller Grasper V2 for In-Hand Manipulation
- arxiv url: http://arxiv.org/abs/2004.08499v2
- Date: Tue, 17 Nov 2020 23:16:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-12 05:50:53.461528
- Title: Design and Control of Roller Grasper V2 for In-Hand Manipulation
- Title(参考訳): インハンドマニピュレーションのためのローラーグラッパーV2の設計と制御
- Authors: Shenli Yuan, Lin Shao, Connor L. Yako, Alex Gruebele, and J. Kenneth
Salisbury
- Abstract要約: 指先で物体を操作できる新しい非人型ロボットグリーパーを提案する。
2自由度を持つ球状回転指先(DoF)により活性表面が達成される
さらにDoFは各指の基部にあり、指は大きさと形状の幅で物体をつかむことができる。
- 参考スコア(独自算出の注目度): 6.064252790182275
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The ability to perform in-hand manipulation still remains an unsolved
problem; having this capability would allow robots to perform sophisticated
tasks requiring repositioning and reorienting of grasped objects. In this work,
we present a novel non-anthropomorphic robot grasper with the ability to
manipulate objects by means of active surfaces at the fingertips. Active
surfaces are achieved by spherical rolling fingertips with two degrees of
freedom (DoF) -- a pivoting motion for surface reorientation -- and a
continuous rolling motion for moving the object. A further DoF is in the base
of each finger, allowing the fingers to grasp objects over a range of size and
shapes. Instantaneous kinematics was derived and objects were successfully
manipulated both with a custom handcrafted control scheme as well as one
learned through imitation learning, in simulation and experimentally on the
hardware.
- Abstract(参考訳): ロボットが手動操作を行う能力は依然として未解決の課題であり、この能力があれば、把握された物体の再配置と再配置を必要とする高度なタスクをロボットが実行できるようになる。
本稿では,指先における能動面を用いて物体を操作できるロボット把持器を提案する。
アクティブな表面は、2度の自由度を持つ球状回転指先(DoF)と、物体を動かすための連続的な回転運動によって達成される。
さらにDoFは各指の基部にあり、指は大きさと形状の幅で物体をつかむことができる。
瞬時運動学が導出され、オブジェクトはカスタムな手作りの制御スキームと模倣学習で学んだものの両方で、シミュレーションと実験でうまく操作された。
関連論文リスト
- Twisting Lids Off with Two Hands [88.20584085182857]
深層強化学習を用いたシミュレーションで訓練された政策は,実世界へ効果的に移行可能であることを示す。
我々の研究は、深層強化学習とsim-to-realトランスファーが相まって、前例のない複雑さの操作問題に対処する上で有望なアプローチであることを示す証拠となる。
論文 参考訳(メタデータ) (2024-03-04T18:59:30Z) - Grasp Multiple Objects with One Hand [44.18611368961791]
MultiGraspは、テーブルトップ上のデキスタラスな多指ロボットハンドを用いて、複数の物体をつかむための新しい2段階のアプローチである。
我々の実験は、主に二重物体の把握に焦点を合わせ、44.13%の成功率を達成した。
このフレームワークは、推論速度を犠牲にして2つ以上のオブジェクトをつかむ可能性を実証している。
論文 参考訳(メタデータ) (2023-10-24T08:01:12Z) - GRIP: Generating Interaction Poses Using Latent Consistency and Spatial
Cues [60.90013719118856]
手は器用で多用途なマニピュレータであり、人間が物体や環境とどのように相互作用するかの中心である。
現実的な手オブジェクトの相互作用をモデル化することは、コンピュータグラフィックス、コンピュータビジョン、混合現実の応用において重要である。
GRIPは、体と物体の3次元運動を入力として取り、物体の相互作用の前、中、後の両方の両手の現実的な動きを合成する学習ベースの手法である。
論文 参考訳(メタデータ) (2023-08-22T17:59:51Z) - Learning to Transfer In-Hand Manipulations Using a Greedy Shape
Curriculum [79.6027464700869]
本研究では, 動的シミュレーションにおける簡易物体の自然な, 頑健な手動操作が, 高品質なモーションキャプチャの例から学習可能であることを示す。
本稿では,ティーポット,バニー,ボトル,トレイン,ゾウなど,さまざまな対象に適用可能な,単純なグリージーなカリキュラム検索アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-03-14T17:08:19Z) - Reconfigurable Data Glove for Reconstructing Physical and Virtual Grasps [100.72245315180433]
本研究では,人間の手-物体相互作用の異なるモードを捉えるために,再構成可能なデータグローブの設計を提案する。
グローブは3つのモードで動作し、異なる特徴を持つ様々な下流タスクを実行する。
i)手の動きと関連力を記録し,(ii)VRの操作流速を改善するとともに,(iii)様々なツールの現実的なシミュレーション効果を生み出すことにより,システムの3つのモードを評価する。
論文 参考訳(メタデータ) (2023-01-14T05:35:50Z) - In-Hand Object Rotation via Rapid Motor Adaptation [59.59946962428837]
指先のみを用いて手動物体の回転を実現するための簡単な適応制御器の設計と学習方法を示す。
コントローラは、円筒形物体のみのシミュレーションで完全に訓練されている。
実際のロボットの手に直接展開して、さまざまな大きさ、形状、重量をz軸上で回転させることができる。
論文 参考訳(メタデータ) (2022-10-10T17:58:45Z) - On the Feasibility of Learning Finger-gaiting In-hand Manipulation with
Intrinsic Sensing [0.7373617024876725]
モデルフリー強化学習を用いて, 指先を正確に把握することで, 指先の動きを学習する。
精度把握の本質的な不安定性に対処するために,初期状態分布の利用を提案する。
本手法は, 最先端技術よりも, サンプルの複雑さを大幅に改善して, 指球運動を学習することができる。
論文 参考訳(メタデータ) (2021-09-26T23:22:29Z) - SwingBot: Learning Physical Features from In-hand Tactile Exploration
for Dynamic Swing-up Manipulation [10.565804740298754]
触覚探索によって保持物体の物理的特徴を学習できるロボットSwingBotを紹介する。
学習した物理的特徴により、エンドツーエンドの自己教師付き学習パイプラインは、目に見えない物体を振り上げる精度を大幅に向上させることができる。
論文 参考訳(メタデータ) (2021-01-28T04:35:15Z) - Physics-Based Dexterous Manipulations with Estimated Hand Poses and
Residual Reinforcement Learning [52.37106940303246]
ノイズの多い入力ポーズをターゲットの仮想ポーズにマッピングするモデルを学習する。
モデルフリーハイブリッドRL+ILアプローチを用いて残留条件下で訓練する。
筆者らは,VRにおける手動物体の相互作用と,それを用いた手動物体の動作再構成という,手動姿勢推定を用いた2つのアプリケーションで,我々のフレームワークを検証した。
論文 参考訳(メタデータ) (2020-08-07T17:34:28Z)
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。