論文の概要: Mastering Contact-rich Tasks by Combining Soft and Rigid Robotics with Imitation Learning

• arxiv url: http://arxiv.org/abs/2410.07787v2
• Date: Fri, 11 Oct 2024 11:41:00 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-31 14:56:00.910561
• Title: Mastering Contact-rich Tasks by Combining Soft and Rigid Robotics with Imitation Learning
• Title（参考訳）: ソフトと剛体ロボットと模倣学習を組み合わせたコンタクトリッチタスクの習得
• Authors: Mariano Ramírez Montero, Ebrahim Shahabi, Giovanni Franzese, Jens Kober, Barbara Mazzolai, Cosimo Della Santina,
• Abstract要約: ソフトロボットはロボットシステムの利用に革命をもたらす可能性がある。 従来の剛体ロボットは高い精度と再現性を提供するが、ソフトロボットの柔軟性は欠如している。 この研究は、剛性マニピュレータと完全に発達したソフトアームを統合する、新しいハイブリッドロボットプラットフォームを提示する。
• 参考スコア（独自算出の注目度）: 4.986982677009744
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Soft robots have the potential to revolutionize the use of robotic systems with their capability of establishing safe, robust, and adaptable interactions with their environment, but their precise control remains challenging. In contrast, traditional rigid robots offer high accuracy and repeatability but lack the flexibility of soft robots. We argue that combining these characteristics in a hybrid robotic platform can significantly enhance overall capabilities. This work presents a novel hybrid robotic platform that integrates a rigid manipulator with a fully developed soft arm. This system is equipped with the intelligence necessary to perform flexible and generalizable tasks through imitation learning autonomously. The physical softness and machine learning enable our platform to achieve highly generalizable skills, while the rigid components ensure precision and repeatability.
• Abstract（参考訳）: ソフトロボットは、安全で堅牢で適応可能な環境との相互作用を確立する能力によって、ロボットシステムの使用に革命をもたらす可能性があるが、その正確な制御は依然として困難である。 対照的に、従来の剛性ロボットは高い精度と再現性を提供するが、ソフトロボットの柔軟性は欠如している。 我々はこれらの特徴をハイブリッドロボットプラットフォームに組み込むことで、全体的な能力を大幅に向上させることができると論じている。 この研究は、剛性マニピュレータと完全に発達したソフトアームを統合する、新しいハイブリッドロボットプラットフォームを提示する。 このシステムは、自律的な模倣学習を通じて柔軟で一般化可能なタスクを実行するために必要な知性を備えている。 物理的なソフトネスと機械学習により、当社のプラットフォームは高度に一般化可能なスキルを達成できる一方、剛体コンポーネントは精度と再現性を保証する。

関連論文リスト

• Redefining Robot Generalization Through Interactive Intelligence [0.0]
  ロボットファンデーションモデルは、リアルタイムの人間-ロボット共適応の複雑さを扱うために、インタラクティブなマルチエージェント視点に進化する必要がある、と我々は主張する。 シングルエージェントデザインを超えて、私たちの立場は、ロボット工学の基礎モデルがより堅牢でパーソナライズされ、予想されるパフォーマンスのレベルを達成する方法を強調しています。
  論文  参考訳（メタデータ） (2025-02-09T17:13:27Z)
• RoboGrasp: A Universal Grasping Policy for Robust Robotic Control [8.189496387470726]
  RoboGraspは、トレーニング済みの把握検出モデルとロボット学習を統合する、普遍的な把握ポリシーフレームワークである。 把握精度、安定性、一般化性を大幅に向上させ、数ショットの学習と把握ボックスのプロンプトタスクで最大34%の成功率を達成する。
  論文  参考訳（メタデータ） (2025-02-05T11:04:41Z)
• $π_0$: A Vision-Language-Action Flow Model for General Robot Control [77.32743739202543]
  本稿では,インターネット規模のセマンティック知識を継承するために,事前学習された視覚言語モデル(VLM)上に構築された新しいフローマッチングアーキテクチャを提案する。 我々は,事前訓練後のタスクをゼロショットで実行し,人からの言語指導に追従し,微調整で新たなスキルを習得する能力の観点から,我々のモデルを評価した。
  論文  参考訳（メタデータ） (2024-10-31T17:22:30Z)
• Unifying 3D Representation and Control of Diverse Robots with a Single Camera [48.279199537720714]
  我々は,ロボットを視覚のみからモデル化し,制御することを自律的に学習するアーキテクチャであるNeural Jacobian Fieldsを紹介する。 提案手法は,正確なクローズドループ制御を実現し,各ロボットの因果動的構造を復元する。
  論文  参考訳（メタデータ） (2024-07-11T17:55:49Z)
• Towards a Robust Soft Baby Robot With Rich Interaction Ability for Advanced Machine Learning Algorithms [24.623734020960633]
  先進的な機械学習アルゴリズムを扱うために、スクラッチから設計された新しいロボット手足を提案する。 我々の設計は、ハイブリッドなソフトハード構造、リッチな非接触センサー(排他的カメラ)による高い冗長性、そして容易に交換可能な故障点を備えている。 このデザインは、汎用的で一般的に知的なロボットを実現するための、よりカスタマイズされたロボット設計に向けた具体的なステップであると考えています。
  論文  参考訳（メタデータ） (2024-04-11T19:15:45Z)
• RoboScript: Code Generation for Free-Form Manipulation Tasks across Real and Simulation [77.41969287400977]
  本稿では,コード生成を利用したデプロイ可能なロボット操作パイプラインのためのプラットフォームである textbfRobotScript を提案する。 自由形自然言語におけるロボット操作タスクのためのコード生成ベンチマークも提案する。 我々は,Franka と UR5 のロボットアームを含む,複数のロボットエボディメントにまたがるコード生成フレームワークの適応性を実証した。
  論文  参考訳（メタデータ） (2024-02-22T15:12:00Z)
• Using Knowledge Representation and Task Planning for Robot-agnostic Skills on the Example of Contact-Rich Wiping Tasks [44.99833362998488]
  本研究では,知識表現,タスク計画,スキル実装の自動選択を利用した単一のロボットスキルを,異なるコンテキストで実行可能であることを示す。 このスキルベースの制御プラットフォームが、異なるロボットシステム上でのコンタクトリッチなワイピングタスクでこれをどのように実現できるかを実証する。
  論文  参考訳（メタデータ） (2023-08-27T21:17:32Z)
• Learning and Adapting Agile Locomotion Skills by Transferring Experience [71.8926510772552]
  本稿では,既存のコントローラから新しいタスクを学習するために経験を移譲することで,複雑なロボティクススキルを訓練するためのフレームワークを提案する。 提案手法は,複雑なアジャイルジャンプ行動の学習,後肢を歩いたまま目標地点への移動,新しい環境への適応を可能にする。
  論文  参考訳（メタデータ） (2023-04-19T17:37:54Z)
• 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)
• Robot Skill Adaptation via Soft Actor-Critic Gaussian Mixture Models [29.34375999491465]
  現実の世界で行動する自律的エージェントにとっての中核的な課題は、その騒々しい知覚とダイナミクスに対処するために、そのスキルのレパートリーを適応させることである。 ロングホライズンタスクにスキルの学習を拡大するためには、ロボットは学習し、その後、構造化された方法でスキルを洗練する必要がある。 SAC-GMMは,動的システムを通じてロボットのスキルを学習し,学習したスキルを自身の軌道分布空間に適応させる,新しいハイブリッドアプローチである。
  論文  参考訳（メタデータ） (2021-11-25T15:36:11Z)

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。