Fugu-MT 論文翻訳(概要): Twisting Lids Off with Two Hands

論文の概要: Twisting Lids Off with Two Hands

arxiv url: http://arxiv.org/abs/2403.02338v2
Date: Mon, 14 Oct 2024 06:02:45 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-04 02:06:47.157078
Title: Twisting Lids Off with Two Hands
Title（参考訳）: 手2本で唇をツイストする(動画あり)
Abstract要約: 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。
参考スコア（独自算出の注目度）: 82.21668778600414
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Manipulating objects with two multi-fingered hands has been a long-standing challenge in robotics, due to the contact-rich nature of many manipulation tasks and the complexity inherent in coordinating a high-dimensional bimanual system. In this work, we share novel insights into physical modeling, real-time perception, and reward design that enable policies trained in simulation using deep reinforcement learning (RL) to be effectively and efficiently transferred to the real world. Specifically, we consider the problem of twisting lids of various bottle-like objects with two hands, demonstrating policies with generalization capabilities across a diverse set of unseen objects as well as dynamic and dexterous behaviors. To the best of our knowledge, this is the first sim-to-real RL system that enables such capabilities on bimanual multi-fingered hands.
Abstract（参考訳）: 2つの指で物体を操作することは、多くの操作タスクの接触に富む性質と、高次元のバイマニュアルシステムの調整に固有の複雑さのため、ロボット工学における長年の課題である。本研究では、物理モデリング、リアルタイム知覚、報酬設計に関する新たな知見を共有し、深層強化学習(RL)を用いたシミュレーションで訓練されたポリシーを効果的かつ効率的に現実世界に伝達できるようにする。具体的には, 様々なボトル状物体の蓋を両手でねじる問題を考察し, 多様な未確認物体の集合にまたがる一般化機能と, 動的かつ繊細な挙動を示す。我々の知る限りでは、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初めてのsim-to-real RLシステムである。

関連論文リスト

ArtManip: Category-Level Articulated In-Hand Manipulation [38.430290236289004]
調音された物体のカテゴリーレベルの手動操作は、ロボットハンドにとって恐ろしくも過小評価されていない課題である。 ArtManipは、オブジェクトインスタンス全体と多様な初期的把握を一般化する、最初のカテゴリレベルの手動操作手法である。
論文参考訳（メタデータ） (2026-09-11T06:59:21Z)
Towards Human-Like Manipulation through RL-Augmented Teleoperation and Mixture-of-Dexterous-Experts VLA [62.16042475700567]
本稿では,遠隔操作データ収集を簡易化する共有自律型アシスタントIMCopilotを紹介する。我々は、不均一な力と触覚モーダルを予め訓練されたVLAバックボーンにシームレスに統合するアーキテクチャであるMoDE-VLAを提案する。我々は,複雑度を増大させる4つの課題に対するアプローチの有効性を検証し,厳密な接触量の多い課題におけるベースラインよりも2倍の成功率の向上を実証した。
論文参考訳（メタデータ） (2026-03-09T09:02:30Z)
Learning Generalizable Hand-Object Tracking from Synthetic Demonstrations [71.15185260689928]
本研究では,人間による実演を必要とせず,合成データから汎用的な手動物体追跡制御系を学習するシステムを提案する。提案手法は,(1)多種多様な対象物軌跡を合成可能なハンドオブジェクトプランナであるHOPと,(2)強化学習と相互作用模倣学習を通じて合成と物理の伝達をブリッジするハンドオブジェクトトラッカーであるHOTの2つの重要な貢献を行う。
論文参考訳（メタデータ） (2025-12-22T17:08:54Z)
MAPLE: Encoding Dexterous Robotic Manipulation Priors Learned From Egocentric Videos [43.836197294180316]
そこで本研究では,より効率的なポリシー学習を実現するために,よりリッチな操作を生かした創発的ロボット操作手法であるMAPLEを提案する。具体的には、手動接触時の手動接触点と詳細な手動ポーズを予測し、学習した特徴を用いて下流操作タスクのポリシーを訓練する。
論文参考訳（メタデータ） (2025-04-08T14:25:25Z)
Sim-to-Real Reinforcement Learning for Vision-Based Dexterous Manipulation on Humanoids [56.892520712892804]
本稿では,ヒューマノイドロボットを訓練して3つの巧妙な操作を行う,実用的なシミュレート・トゥ・リアルなRLレシピを提案する。未確認のオブジェクトやロバストで適応的な政策行動に対して高い成功率を示す。
論文参考訳（メタデータ） (2025-02-27T18:59:52Z)
You Only Teach Once: Learn One-Shot Bimanual Robotic Manipulation from Video Demonstrations [38.835807227433335]
双方向ロボット操作は、インテリジェンスを具現化した長年にわたる課題である。両眼でのみ観察できるヨト(YOTO)を提案する。 YOTOは5つの複雑なロングホライゾンのバイマニュアルタスクを模倣することで、素晴らしいパフォーマンスを実現している。
論文参考訳（メタデータ） (2025-01-24T03:26:41Z)
VTAO-BiManip: Masked Visual-Tactile-Action Pre-training with Object Understanding for Bimanual Dexterous Manipulation [8.882764358932276]
両手の DoF の高さと協調性のため、ロボット工学における両面的な操作は依然として重要な課題である。既存の片手操作技術は、人間のデモンストレーションを利用してRL法を誘導するが、複数のサブスキルを含む複雑な双対タスクに一般化できないことが多い。 VTAO-BiManipは,視覚触覚前訓練と物体理解を組み合わせた新しいフレームワークである。
論文参考訳（メタデータ） (2025-01-07T08:14:53Z)
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)
Learning the Generalizable Manipulation Skills on Soft-body Tasks via Guided Self-attention Behavior Cloning Policy [9.345203561496552]
GP2E行動クローニングポリシーは、ソフトボディタスクから汎用的な操作スキルを学ぶためのエージェントを誘導することができる。本研究は,Embodied AIモデルの一般化能力を向上する手法の可能性を明らかにするものである。
論文参考訳（メタデータ） (2024-10-08T07:31:10Z)
Learning Visuotactile Skills with Two Multifingered Hands [80.99370364907278]
マルチフィンガーハンドとバイソタクティブルデータを用いたバイマニアルシステムを用いて,人間の実演からの学習を探索する。以上の結果から,バイスオタクティブルデータからの両指多指操作における有望な進歩が示唆された。
論文参考訳（メタデータ） (2024-04-25T17:59:41Z)
Bi-Manual Block Assembly via Sim-to-Real Reinforcement Learning [24.223788665601678]
2つのxArm6ロボットがU字型組立タスクを、シミュレーションで90%以上、実際のハードウェアで50%の確率で解決する。以上の結果から,本システムは今後,深部RLおよびSim2Real転送バイマニュアルポリアの研究を刺激していきたいと願っている。
論文参考訳（メタデータ） (2023-03-27T01:25:24Z)
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)
DeXtreme: Transfer of Agile In-hand Manipulation from Simulation to Reality [64.51295032956118]
我々は人型ロボットの手で頑健な操作を行える政策を訓練する。本研究は,各種ハードウェアおよびシミュレータのデクスタラス操作におけるsim-to-real転送の可能性を再確認する。
論文参考訳（メタデータ） (2022-10-25T01:51:36Z)
ASE: Large-Scale Reusable Adversarial Skill Embeddings for Physically Simulated Characters [123.88692739360457]
汎用運動技術により、人間は複雑な作業を行うことができる。これらのスキルは、新しいタスクを学ぶときの振る舞いを導くための強力な先駆者も提供します。物理シミュレーション文字のための汎用的で再利用可能なスキル埋め込みを学習するためのフレームワークを提案する。
論文参考訳（メタデータ） (2022-05-04T06:13:28Z)
COCOI: Contact-aware Online Context Inference for Generalizable Non-planar Pushing [87.7257446869134]
一般的なコンタクトリッチな操作問題は、ロボット工学における長年の課題である。深層強化学習は、ロボット操作タスクの解決に大きな可能性を示している。動的プロパティのコンテキスト埋め込みをオンラインにエンコードする深層RL法であるCOCOIを提案する。
論文参考訳（メタデータ） (2020-11-23T08:20:21Z)

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。