論文の概要: AnyRotate: Gravity-Invariant In-Hand Object Rotation with Sim-to-Real Touch
- arxiv url: http://arxiv.org/abs/2405.07391v1
- Date: Sun, 12 May 2024 22:51:35 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-14 15:14:45.278433
- Title: AnyRotate: Gravity-Invariant In-Hand Object Rotation with Sim-to-Real Touch
- Title(参考訳): AnyRotate: Sim-to-Real Touchによる重力不変物体回転
- Authors: Max Yang, Chenghua Lu, Alex Church, Yijiong Lin, Chris Ford, Haoran Li, Efi Psomopoulou, David A. W. Barton, Nathan F. Lepora,
- Abstract要約: 手の操作は人間の器用さの不可欠な要素である。
ロボットハンドの場合、このディクスタリティのレベルは、精密なモーター制御のために、リッチな接触情報を抽出し、活用する必要がある。
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。
- 参考スコア(独自算出の注目度): 9.606323817785114
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In-hand manipulation is an integral component of human dexterity. Our hands rely on tactile feedback for stable and reactive motions to ensure objects do not slip away unintentionally during manipulation. For a robot hand, this level of dexterity requires extracting and utilizing rich contact information for precise motor control. In this paper, we present AnyRotate, a system for gravity-invariant multi-axis in-hand object rotation using dense featured sim-to-real touch. We construct a continuous contact feature representation to provide tactile feedback for training a policy in simulation and introduce an approach to perform zero-shot policy transfer by training an observation model to bridge the sim-to-real gap. Our experiments highlight the benefit of detailed contact information when handling objects with varying properties. In the real world, we demonstrate successful sim-to-real transfer of the dense tactile policy, generalizing to a diverse range of objects for various rotation axes and hand directions and outperforming other forms of low-dimensional touch. Interestingly, despite not having explicit slip detection, rich multi-fingered tactile sensing can implicitly detect object movement within grasp and provide a reactive behavior that improves the robustness of the policy, highlighting the importance of information-rich tactile sensing for in-hand manipulation.
- Abstract(参考訳): 手の操作は人間の器用さの不可欠な要素である。
私たちの手は触覚フィードバックに頼って、安定的で反応的な動きをすることで、操作中に物体が意図せずに滑り落ちないようにしています。
ロボットハンドの場合、このディクスタリティのレベルは、精密なモーター制御のために、リッチな接触情報を抽出し、活用する必要がある。
本稿では,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。
本研究では,シミュレーションにおけるポリシをトレーニングするための触覚フィードバックを提供するための連続的接触特徴表現を構築し,シミュレート・トゥ・リアルギャップをブリッジする観察モデルをトレーニングすることでゼロショットポリシー転送を行うアプローチを提案する。
実験では,様々な特性を持つ物体を扱う際に,詳細な接触情報の利点を強調した。
実世界では、密接な触覚ポリシーのシミュレートと現実の伝達を成功させ、様々な回転軸や手方向の様々な物体に一般化し、他の低次元タッチよりも優れた形状の触覚を再現する。
興味深いことに、スリップ検出が明示されていないにもかかわらず、リッチな多指触覚は、把持中の物体の動きを暗黙的に検出し、ポリシーの堅牢性を改善するリアクティブな行動を提供し、手動操作における情報豊富な触覚センシングの重要性を強調している。
関連論文リスト
- Learning In-Hand Translation Using Tactile Skin With Shear and Normal Force Sensing [43.269672740168396]
3次せん断力と2次正規力のゼロショット・シミュレートを可能にする触覚皮膚センサモデルを提案する。
触覚センシングが様々な未確認オブジェクト特性へのポリシー適応をどのように促進するかを評価するために、広範囲な実世界の実験を行う。
論文 参考訳(メタデータ) (2024-07-10T17:52:30Z) - Neural feels with neural fields: Visuo-tactile perception for in-hand
manipulation [57.60490773016364]
マルチフィンガーハンドの視覚と触覚を組み合わせることで,手動操作時の物体の姿勢と形状を推定する。
提案手法であるNeuralFeelsは,ニューラルネットワークをオンラインで学習することでオブジェクトの形状を符号化し,ポーズグラフ問題を最適化して共同で追跡する。
私たちの結果は、タッチが少なくとも、洗練され、そして最も最良のものは、手動操作中に視覚的推定を曖昧にすることを示しています。
論文 参考訳(メタデータ) (2023-12-20T22:36:37Z) - General In-Hand Object Rotation with Vision and Touch [46.871539289388615]
複数の軸に沿って指先で物体を回転させるシステムであるRotateItを紹介した。
実感的かつノイズの多いビゾタクタクタブルとプロピロセプティヴな感覚入力で操作するために蒸留する。
論文 参考訳(メタデータ) (2023-09-18T17:59:25Z) - Rotating without Seeing: Towards In-hand Dexterity through Touch [43.87509744768282]
本稿では,タッチデクスタリティ(Touch Dexterity)を提案する。
小さな領域で正確な触覚センサーに頼る代わりに、ロボットハンドの片側をオーバーレイする密度の高い二分力センサー(タッチまたはタッチなし)を用いた新しいシステム設計を導入する。
我々は,各種物体のシミュレーションに強化学習を用いて手動回転ポリシーを訓練する。タッチオンリーセンシングを応用して,実際のロボットの手で直接ポリシーを展開し,トレーニングで提示されていない新規物体を回転させることができる。
論文 参考訳(メタデータ) (2023-03-20T05:38:30Z) - Tactile-Filter: Interactive Tactile Perception for Part Mating [54.46221808805662]
人間は触覚と触覚に頼っている。
視覚ベースの触覚センサーは、様々なロボット認識や制御タスクに広く利用されている。
本稿では,視覚に基づく触覚センサを用いた対話的知覚手法を提案する。
論文 参考訳(メタデータ) (2023-03-10T16:27:37Z) - On the Feasibility of Learning Finger-gaiting In-hand Manipulation with
Intrinsic Sensing [0.7373617024876725]
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。
論文 参考訳(メタデータ) (2021-09-26T23:22:29Z) - Elastic Tactile Simulation Towards Tactile-Visual Perception [58.44106915440858]
触覚シミュレーションのための粒子の弾性相互作用(EIP)を提案する。
EIPは、触覚センサを協調粒子群としてモデル化し、接触時の粒子の変形を制御するために弾性特性を適用した。
さらに,触覚データと視覚画像間の情報融合を可能にする触覚知覚ネットワークを提案する。
論文 参考訳(メタデータ) (2021-08-11T03:49:59Z) - 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。