論文の概要: On the Feasibility of Learning Finger-gaiting In-hand Manipulation with Intrinsic Sensing

• arxiv url: http://arxiv.org/abs/2109.12720v1
• Date: Sun, 26 Sep 2021 23:22:29 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-28 15:21:48.389072
• Title: On the Feasibility of Learning Finger-gaiting In-hand Manipulation with Intrinsic Sensing
• Title（参考訳）: 固有センシングによる手指外触覚操作の可能性について
• Authors: Gagan Khandate, Maxmillian Haas-Heger, Matei Ciocarlie
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.7373617024876725
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Finger-gaiting manipulation is an important skill to achieve large-angle in-hand re-orientation of objects. However, achieving these gaits with arbitrary orientations of the hand is challenging due to the unstable nature of the task. In this work, we use model-free reinforcement learning (RL) to learn finger-gaiting only via precision grasps and demonstrate finger-gaiting for rotation about an axis purely using on-board proprioceptive and tactile feedback. To tackle the inherent instability of precision grasping, we propose the use of initial state distributions that enable effective exploration of the state space. Our method can learn finger-gaiting with significantly improved sample complexity than the state-of-the-art. The policies we obtain are robust and also transfer to novel objects.
• Abstract（参考訳）: 指を外す操作は、物体の大きな角度を逆向きにするために重要な技術である。 しかし, 作業の不安定な性質のため, 任意の方向の手でこれらの歩行を実現することは困難である。 本研究では, モデルフリー強化学習(rl)を用いて, 精度把握のみを通してフィンガーゲイティングを学習し, 知覚・触覚フィードバックを用いて純粋に軸回りに回転するフィンガーゲイティングを実演する。 精度把握の固有の不安定性に取り組むために, 状態空間の効率的な探索を可能にする初期状態分布の利用を提案する。 本手法は,最先端の手法よりも,試料の複雑さを著しく改善して,指の利き方を学ぶことができる。 私たちが得るポリシーは堅牢で、新しいオブジェクトにも移行します。

関連論文リスト

• Curriculum Is More Influential Than Haptic Information During Reinforcement Learning of Object Manipulation Against Gravity [0.0]
  指先で物体を持ち上げて回転させる学習は、自律的な手動操作に必要である。 そこで我々は,カリキュラム学習と触覚フィードバックが創発的操作の学習に果たす役割について検討した。
  論文  参考訳（メタデータ） (2024-07-13T19:23:11Z)
• 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)
• A model-free approach to fingertip slip and disturbance detection for grasp stability inference [0.0]
  触覚センサを用いた握り安定性の評価手法を提案する。 我々は、アレグロハンドに搭載された高感度のウスキン触覚センサーを用いて、我々の手法を検証、検証した。
  論文  参考訳（メタデータ） (2023-11-22T09:04:26Z)
• ArtiGrasp: Physically Plausible Synthesis of Bi-Manual Dexterous Grasping and Articulation [29.999224233718927]
  ArtiGraspは、握りと調音を含む双方向の手-物体の相互作用を合成する方法である。 我々のフレームワークは、単一の手ポーズ参照によってガイドされた単一のポリシー内での把握と明瞭化を統一する。 提案手法は,市販画像ベース回帰器からノイズの多い手動ポーズ推定を行うことができることを示す。
  論文  参考訳（メタデータ） (2023-09-07T17:53:20Z)
• 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)
• Dexterous Manipulation from Images: Autonomous Real-World RL via Substep Guidance [71.36749876465618]
  本稿では,ユーザが新しいタスクを定義するための"プログラミング不要"なアプローチを提供する,視覚に基づくデクスタラスな操作システムについて述べる。 本システムには,最終タスクと中間タスクを画像例で定義するためのフレームワークが組み込まれている。 実世界における多段階物体操作の4指ロボットハンドラーによる実験結果
  論文  参考訳（メタデータ） (2022-12-19T22:50:40Z)
• The Gesture Authoring Space: Authoring Customised Hand Gestures for Grasping Virtual Objects in Immersive Virtual Environments [81.5101473684021]
  本研究は、仮想オブジェクトを現実世界のようにつかむことができる、オブジェクト固有のグリップジェスチャーのためのハンドジェスチャーオーサリングツールを提案する。 提示されたソリューションは、ジェスチャー認識にテンプレートマッチングを使用し、カスタムのカスタマイズされた手の動きを設計および作成するために技術的な知識を必要としない。 本研究は,提案手法を用いて作成したジェスチャーが,ユーザによって他のユーザよりも自然な入力モダリティとして認識されていることを示した。
  論文  参考訳（メタデータ） (2022-07-03T18:33:33Z)
• Generalization Through Hand-Eye Coordination: An Action Space for Learning Spatially-Invariant Visuomotor Control [67.23580984118479]
  模倣学習(il)は、オフラインデモデータから視覚能力を学ぶための効果的なフレームワークである。 手目行動ネットワーク(HAN)は、人間の遠隔操作による実証から学習することにより、人間の手目協調行動を推定することができる。
  論文  参考訳（メタデータ） (2021-02-28T01:49:13Z)
• Learning Dexterous Grasping with Object-Centric Visual Affordances [86.49357517864937]
  控えめなロボットハンドは、機敏さと人間のような形態をアピールしています。 本稿では,厳密な把握を学習するためのアプローチを提案する。 私たちのキーとなるアイデアは、オブジェクト中心の視覚的余裕モデルを深い強化学習ループに埋め込むことです。
  論文  参考訳（メタデータ） (2020-09-03T04:00:40Z)
• 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)
• Design and Control of Roller Grasper V2 for In-Hand Manipulation [6.064252790182275]
  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。
  論文  参考訳（メタデータ） (2020-04-18T00:54:09Z)

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。