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
- FunGrasp: Functional Grasping for Diverse Dexterous Hands [8.316017819784603]
本稿では,FunGraspを紹介した。FunGraspは,各種ロボットハンドを機能的に把握するシステムである。
頑健なsim-to-real転送を実現するために,特権学習,システム識別,ドメインランダム化,重力補償など,いくつかの手法を用いる。
論文 参考訳（メタデータ） (2024-11-24T07:30:54Z) - AnyRotate: Gravity-Invariant In-Hand Object Rotation with Sim-to-Real Touch [9.606323817785114]
我々は,高密度のsim-to-realタッチを用いた重力不変多軸物体回転システムであるAnyRotateを提案する。
我々の定式化により、統一されたポリシーの訓練により、任意の回転軸に関する未知の物体を任意の方向で回転させることができる。
リッチな多指触覚センシングは不安定な把握を検知し、ポリシーの堅牢性を改善するリアクティブな振る舞いを提供する。
論文 参考訳（メタデータ） (2024-05-12T22:51:35Z) - Twisting Lids Off with Two Hands [82.21668778600414]
シミュレーションで訓練された政策を実世界へ効果的かつ効率的に移行する方法を示す。
具体的には,ボトル状物体の蓋を両手でねじる問題について考察する。
これは、バイマガル・マルチフィンガーハンドでそのような機能を実現する最初のsim-to-real RLシステムである。
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 Spatial Cues and Latent Consistency [57.9920824261925]
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) - 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。