論文の概要: Robust Pivoting: Exploiting Frictional Stability Using Bilevel Optimization

• arxiv url: http://arxiv.org/abs/2203.11412v1
• Date: Tue, 22 Mar 2022 01:44:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-24 07:30:07.388344
• Title: Robust Pivoting: Exploiting Frictional Stability Using Bilevel Optimization
• Title（参考訳）: ロバストピボット:2レベル最適化による摩擦安定性の活用
• Authors: Yuki Shirai, Devesh K. Jha, Arvind Raghunathan, Diego Romeres
• Abstract要約: 汎用的な操作には、ロボットが新しいオブジェクトや環境と対話する必要がある。 本研究では,不確実性の存在下でのピボット操作制御のためのロバストな最適化について検討する。
• 参考スコア（独自算出の注目度）: 13.687891070512828
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generalizable manipulation requires that robots be able to interact with novel objects and environment. This requirement makes manipulation extremely challenging as a robot has to reason about complex frictional interaction with uncertainty in physical properties of the object. In this paper, we study robust optimization for control of pivoting manipulation in the presence of uncertainties. We present insights about how friction can be exploited to compensate for the inaccuracies in the estimates of the physical properties during manipulation. In particular, we derive analytical expressions for stability margin provided by friction during pivoting manipulation. This margin is then used in a bilevel trajectory optimization algorithm to design a controller that maximizes this stability margin to provide robustness against uncertainty in physical properties of the object. We demonstrate our proposed method using a 6 DoF manipulator for manipulating several different objects.
• Abstract（参考訳）: 汎用的な操作は、ロボットが新しい物体や環境と対話できることを必要とする。 この要件は、ロボットが物体の物理的特性の不確実性と複雑な摩擦相互作用を推論する必要があるため、操作を極めて困難にする。 本稿では,不確実性の存在下でのピボット操作制御のためのロバストな最適化について検討する。 操作中の物理特性の推定の不正確さを補うために摩擦をいかに活用できるかについて考察する。 特に,ピボット操作時の摩擦による安定性マージンの解析式を導出する。 このマージンは、物体の物理的性質の不確実性に対するロバスト性を提供するためにこの安定性マージンを最大化するコントローラを設計するために、二段階軌道最適化アルゴリズムで使用される。 提案手法は6自由度マニピュレータを用いて複数の物体を操作する方法である。

関連論文リスト

• Regulating Model Reliance on Non-Robust Features by Smoothing Input Marginal Density [93.32594873253534]
  信頼できる機械学習は、非ロバストな特徴に依存するモデルの厳密な規制を必要とする。 本稿では,モデル予測を入力に関連付けることによって,そのような特徴を記述・規制するフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-05T09:16:56Z)
• DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via Physics Simulation [81.11585774044848]
  我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。 提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
  論文  参考訳（メタデータ） (2023-10-11T05:34:36Z)
• Robust Pivoting Manipulation using Contact Implicit Bilevel Optimization [17.741546783400484]
  汎用的な操作には、ロボットが新しいオブジェクトや環境と対話する必要がある。 不確実性の存在下でのピボット操作計画のための頑健な最適化について検討する。 操作中の物理特性の推定における不正確さを補うために、摩擦をどのように活用できるかについての知見を提示する。
  論文  参考訳（メタデータ） (2023-03-15T22:25:34Z)
• Safe Machine-Learning-supported Model Predictive Force and Motion Control in Robotics [0.0]
  人間とロボットの相互作用や脆弱な物体のハンドリングのような多くのロボットタスクは、安全かつ高性能な操作を実現するために、動き制御と共に現れる力とモーメントの厳密な制御と制限を必要とする。 本研究では,学習支援型モデル予測力と運動制御方式を提案する。
  論文  参考訳（メタデータ） (2023-03-08T13:30:02Z)
• Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
  本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。 連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。 我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
  論文  参考訳（メタデータ） (2021-11-15T18:50:04Z)
• Robust Value Iteration for Continuous Control Tasks [99.00362538261972]
  シミュレーションから物理システムへ制御ポリシを転送する場合、そのポリシは、動作の変動に対して堅牢でなければならない。 本稿では、動的プログラミングを用いて、コンパクトな状態領域上での最適値関数を計算するRobust Fitted Value Iterationを提案する。 より深い強化学習アルゴリズムや非ロバストなアルゴリズムと比較して、ロバストな値の方が頑健であることを示す。
  論文  参考訳（メタデータ） (2021-05-25T19:48:35Z)
• Stability Constrained Mobile Manipulation Planning on Rough Terrain [7.766921168069532]
  本論文では,移動マニピュレータロボットのオンライン動的安定性制約付き最適軌道計画を可能にするフレームワークを提案する。 その結果, 動的安定性制約を満たしながら, 様々な地形におけるオンライン軌道計画が可能となった。
  論文  参考訳（メタデータ） (2021-05-10T14:21:59Z)
• Scalable Differentiable Physics for Learning and Control [99.4302215142673]
  微分物理学は、物理的対象や環境を含む問題を学習し、制御するための強力なアプローチである。 我々は、多数のオブジェクトとその相互作用をサポートすることができる微分可能物理学のためのスケーラブルなフレームワークを開発する。
  論文  参考訳（メタデータ） (2020-07-04T19:07:51Z)
• ADD: Analytically Differentiable Dynamics for Multi-Body Systems with Frictional Contact [26.408218913234872]
  剛体および変形可能な物体に対する摩擦接触を処理できる微分可能な動的解法を提案する。 本手法は, 摩擦接触の非平滑な性質に起因した主な困難を回避できる。
  論文  参考訳（メタデータ） (2020-07-02T09:51:36Z)
• Learning Compliance Adaptation in Contact-Rich Manipulation [81.40695846555955]
  本稿では,コンタクトリッチタスクに必要な力プロファイルの予測モデルを学習するための新しいアプローチを提案する。 このアプローチは、双方向Gated Recurrent Units (Bi-GRU) に基づく異常検出と適応力/インピーダンス制御を組み合わせたものである。
  論文  参考訳（メタデータ） (2020-05-01T05:23:34Z)
• Gaining a Sense of Touch. Physical Parameters Estimation using a Soft Gripper and Neural Networks [3.0892724364965005]
  ロボットグリップを用いた物体との直接相互作用の測定における深層学習アルゴリズムを用いた物理パラメータ推定に関する十分な研究はない。 本研究では、剛性係数の回帰をトレーニング可能なシステムを提案し、物理シミュレータ環境を用いて広範な実験を行った。 本システムでは,Yale OpenHandソフトグリップを用いて,指に装着した慣性測定ユニット(IMU)の読み値に基づいて,物体の硬さを確実に推定することができる。
  論文  参考訳（メタデータ） (2020-03-02T11:56:14Z)

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。