論文の概要: Deep Functional Predictive Control for Strawberry Cluster Manipulation
using Tactile Prediction
- arxiv url: http://arxiv.org/abs/2303.05393v1
- Date: Thu, 9 Mar 2023 16:31:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-10 14:06:07.000834
- Title: Deep Functional Predictive Control for Strawberry Cluster Manipulation
using Tactile Prediction
- Title（参考訳）: 触覚予測を用いたイチゴクラスタ操作の深い機能予測制御
- Authors: Kiyanoush Nazari, Gabriele Gandolfi, Zeynab Talebpour, Vishnu
Rajendran, Paolo Rocco, Amir Ghalamzan E.
- Abstract要約: 本稿では,ロボットプッシュタスクにおけるPRI(Physical Robot Interaction)の問題に対処するための新しいアプローチを提案する。
このアプローチでは、触覚予測に基づくデータ駆動のフォワードモデルを使用して、プッシュされるオブジェクトの将来的な動きについてコントローラに通知する。
- 参考スコア（独自算出の注目度）: 6.365634303789478
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: This paper introduces a novel approach to address the problem of Physical
Robot Interaction (PRI) during robot pushing tasks. The approach uses a
data-driven forward model based on tactile predictions to inform the controller
about potential future movements of the object being pushed, such as a
strawberry stem, using a robot tactile finger. The model is integrated into a
Deep Functional Predictive Control (d-FPC) system to control the displacement
of the stem on the tactile finger during pushes. Pushing an object with a robot
finger along a desired trajectory in 3D is a highly nonlinear and complex
physical robot interaction, especially when the object is not stably grasped.
The proposed approach controls the stem movements on the tactile finger in a
prediction horizon. The effectiveness of the proposed FPC is demonstrated in a
series of tests involving a real robot pushing a strawberry in a cluster. The
results indicate that the d-FPC controller can successfully control PRI in
robotic manipulation tasks beyond the handling of strawberries. The proposed
approach offers a promising direction for addressing the challenging PRI
problem in robotic manipulation tasks. Future work will explore the
generalisation of the approach to other objects and tasks.
- Abstract（参考訳）: 本稿では,ロボットプッシュ作業中のロボットインタラクション(pri)問題に対処するための新しいアプローチを提案する。
このアプローチでは、触覚予測に基づくデータ駆動のフォワードモデルを使用して、ロボットの触覚指を使用して、イチゴの茎のような物体の将来の動きをコントローラに知らせる。
このモデルは深部機能予測制御(d-FPC)システムに統合され、押下時の触覚指の茎の変位を制御する。
ロボットの指で目的の軌道に沿って3Dで物体を押すことは、特に物体が安定して把握されていない場合、非常に非線形で複雑な物理的ロボットの相互作用である。
提案手法は, 予測地平線における触覚指の軸運動を制御する。
提案するFPCの有効性は,実ロボットがクラスタ内でイチゴを押すという一連のテストで実証された。
その結果,イチゴ以外のロボット操作作業において,D-FPCコントローラがPRIを制御できることが示唆された。
提案手法はロボット操作タスクにおけるPRI問題に対処するための有望な方向を提供する。
今後の作業は、他のオブジェクトやタスクへのアプローチの一般化を探求する。
関連論文リスト
- Ensuring Force Safety in Vision-Guided Robotic Manipulation via Implicit Tactile Calibration [18.183151257773886]
本稿ではSafeDiffと呼ばれる新しい状態拡散フレームワークを紹介する。
これにより、現在のロボットの状態と視覚的コンテキスト観察から予測状態列を生成する。
リアルタイムの触覚フィードバックを組み込んでシーケンスを洗練させる。
実験では, 視覚触覚モデルにより, ドア開口部の有害な力の危険性が著しく軽減された。
論文 参考訳（メタデータ） (2024-12-13T18:45:26Z) - Hand-Object Interaction Pretraining from Videos [77.92637809322231]
我々は,3次元ハンドオブジェクトインタラクショントラジェクトリから,一般的なロボット操作を学習する。
人間の手と操作された物体を3D空間で共有し、人間の動きをロボットの動きと共有する。
我々は、このポリシーを、強化学習(RL)と行動クローニング(BC)の両方で微調整することで、下流タスクへのサンプル効率の適応を可能にし、従来のアプローチと比較して堅牢性と一般化性を同時に改善できることを実証的に実証した。
論文 参考訳（メタデータ） (2024-09-12T17:59:07Z) - Commonsense Reasoning for Legged Robot Adaptation with Vision-Language Models [81.55156507635286]
脚のついたロボットは、様々な環境をナビゲートし、幅広い障害を克服することができる。
現在の学習手法は、人間の監督を伴わずに、予期せぬ状況の長い尾への一般化に苦慮することが多い。
本稿では,VLM-Predictive Control (VLM-PC) というシステムを提案する。
論文 参考訳（メタデータ） (2024-07-02T21:00:30Z) - Track2Act: Predicting Point Tracks from Internet Videos enables Generalizable Robot Manipulation [65.46610405509338]
我々は、ゼロショットロボット操作を可能にする汎用的な目標条件ポリシーを学習することを目指している。
私たちのフレームワークであるTrack2Actは、ゴールに基づいて将来のタイムステップで画像内のポイントがどのように動くかを予測する。
学習したトラック予測を残留ポリシーと組み合わせることで,多種多様な汎用ロボット操作が可能となることを示す。
論文 参考訳（メタデータ） (2024-05-02T17:56:55Z) - Nonprehensile Planar Manipulation through Reinforcement Learning with
Multimodal Categorical Exploration [8.343657309038285]
強化学習はそのようなロボットコントローラを開発するための強力なフレームワークである。
分類分布を用いたマルチモーダル探索手法を提案する。
学習したポリシは外部の障害や観測ノイズに対して堅牢であり、複数のプッシュ器でタスクにスケールできることが示される。
論文 参考訳（メタデータ） (2023-08-04T16:55:00Z) - Active Exploration for Robotic Manipulation [40.39182660794481]
本稿では,スパース・リワード型ロボット操作作業における効率的な学習を可能にするモデルに基づく能動探索手法を提案する。
我々は,提案アルゴリズムをシミュレーションおよび実ロボットで評価し,スクラッチから本手法を訓練した。
論文 参考訳（メタデータ） (2022-10-23T18:07:51Z) - Model Predictive Control for Fluid Human-to-Robot Handovers [50.72520769938633]
人間の快適さを考慮に入れた計画運動は、人間ロボットのハンドオーバプロセスの一部ではない。
本稿では,効率的なモデル予測制御フレームワークを用いてスムーズな動きを生成することを提案する。
ユーザ数名の多様なオブジェクトに対して,人間とロボットのハンドオーバ実験を行う。
論文 参考訳（メタデータ） (2022-03-31T23:08:20Z) - Agile Maneuvers in Legged Robots: a Predictive Control Approach [20.55884151818753]
そこで本研究では,ロボットがアジャイルなロコモーションスキルを計画し,実行できるようにする,接触位相予測および状態フィードバックコントローラを提案する。
私たちの研究は、予測制御がアクティベーション制限を処理し、アジャイルなロコモーション操作を生成し、別のボディコントローラを使わずに、ハードウェア上でローカルに最適なフィードバックポリシーを実行することができることを示す最初のものです。
論文 参考訳（メタデータ） (2022-03-14T23:32:17Z) - 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) - SABER: Data-Driven Motion Planner for Autonomously Navigating
Heterogeneous Robots [112.2491765424719]
我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。
モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。
リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。
ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
論文 参考訳（メタデータ） (2021-08-03T02:56:21Z)
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。