論文の概要: FunGrasp: Functional Grasping for Diverse Dexterous Hands

• arxiv url: http://arxiv.org/abs/2411.16755v1
• Date: Sun, 24 Nov 2024 07:30:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-27 13:31:29.004855
• Title: FunGrasp: Functional Grasping for Diverse Dexterous Hands
• Title（参考訳）: FunGrasp: ディバースデキスタラスハンドのための機能的グラッピング
• Authors: Linyi Huang, Hui Zhang, Zijian Wu, Sammy Christen, Jie Song,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 8.316017819784603
• License:
• Abstract: Functional grasping is essential for humans to perform specific tasks, such as grasping scissors by the finger holes to cut materials or by the blade to safely hand them over. Enabling dexterous robot hands with functional grasping capabilities is crucial for their deployment to accomplish diverse real-world tasks. Recent research in dexterous grasping, however, often focuses on power grasps while overlooking task- and object-specific functional grasping poses. In this paper, we introduce FunGrasp, a system that enables functional dexterous grasping across various robot hands and performs one-shot transfer to unseen objects. Given a single RGBD image of functional human grasping, our system estimates the hand pose and transfers it to different robotic hands via a human-to-robot (H2R) grasp retargeting module. Guided by the retargeted grasping poses, a policy is trained through reinforcement learning in simulation for dynamic grasping control. To achieve robust sim-to-real transfer, we employ several techniques including privileged learning, system identification, domain randomization, and gravity compensation. In our experiments, we demonstrate that our system enables diverse functional grasping of unseen objects using single RGBD images, and can be successfully deployed across various dexterous robot hands. The significance of the components is validated through comprehensive ablation studies. Project page: https://hly-123.github.io/FunGrasp/ .
• Abstract（参考訳）: 機能的なつかみは、指穴でハサミをつかみ、材料を切断したり、ブレードで安全に引き渡したりといった特定の作業を行うのに不可欠である。 さまざまな現実世界のタスクをこなすために,機能的把握機能を備えた器用なロボットハンドの開発が不可欠である。 しかし,近年のデクスタラス・グルーピングの研究は,タスクやオブジェクト特有の機能的グルーピングのポーズを見下ろしながら,パワー・グルーピングに焦点を当てていることが多い。 本稿では,FunGraspについて紹介する。FunGraspは,各種ロボットハンドを機能的に把握し,未知の物体へのワンショット転送を行うシステムである。 機能的人間のつかみの1つのRGBD画像から、手の動きを推定し、H2R(Human-to-robot)グリップリターゲティングモジュールを介して異なるロボットハンドに転送する。 動的握り制御のシミュレーションにおいて、リターゲティングポーズを指導し、強化学習を通じてポリシーを訓練する。 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。 実験により,本システムは単一のRGBD画像を用いて,多様な機能的物体の把握が可能であり,様々なロボットハンドに展開可能であることを示す。 これらの成分の意義は包括的アブレーション研究によって検証される。 プロジェクトページ: https://hly-123.github.io/FunGrasp/

関連論文リスト

• Learning Granularity-Aware Affordances from Human-Object Interaction for Tool-Based Functional Grasping in Dexterous Robotics [27.124273762587848]
  オブジェクトの付加的な特徴は、エージェントとオブジェクト間の機能的な相互作用のブリッジとして機能する。 機能的空き地を特定するための粒度対応型空き地特徴抽出法を提案する。 また,手動物体間相互作用領域において,高活性な粗粒度機能を用いて,握り動作の予測を行う。 これは完全なロボット機能把握フレームワークGAAF-Dexを形成する。
  論文  参考訳（メタデータ） (2024-06-30T07:42:57Z)
• Twisting Lids Off with Two Hands [82.21668778600414]
  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。
  論文  参考訳（メタデータ） (2024-03-04T18:59:30Z)
• Robotic Handling of Compliant Food Objects by Robust Learning from Demonstration [79.76009817889397]
  本稿では,食品に適合する物体をロボットで把握する上で,実証からの学習(LfD)に基づく頑健な学習方針を提案する。 教師の意図した方針を推定し,無矛盾な実演を自動的に除去するLfD学習ポリシーを提案する。 提案されたアプローチは、前述の業界セクターで幅広い応用が期待できる。
  論文  参考訳（メタデータ） (2023-09-22T13:30:26Z)
• Few-Shot Learning of Force-Based Motions From Demonstration Through Pre-training of Haptic Representation [10.553635668779911]
  既存のLfD(Landing Learning from Demonstration)アプローチでは、コストのかかる人間のデモが数多く必要になります。 提案する半教師付きLfDアプローチは,学習モデルを触覚表現エンコーダとモーション生成デコーダに分解する。 これにより、数発のLfDを使用しながら、大量の教師なしデータを使い、アクセスしやすく、第1のトレーニングを前もって行うことができる。 半教師付きLfDモデルにより生成された動作を,KUKAアイワロボットアームを用いて物理ロボットハードウェア上で検証する。
  論文  参考訳（メタデータ） (2023-09-08T23:42:59Z)
• Reconfigurable Data Glove for Reconstructing Physical and Virtual Grasps [100.72245315180433]
  本研究では,人間の手-物体相互作用の異なるモードを捉えるために,再構成可能なデータグローブの設計を提案する。 グローブは3つのモードで動作し、異なる特徴を持つ様々な下流タスクを実行する。 i)手の動きと関連力を記録し,(ii)VRの操作流速を改善するとともに,(iii)様々なツールの現実的なシミュレーション効果を生み出すことにより,システムの3つのモードを評価する。
  論文  参考訳（メタデータ） (2023-01-14T05:35:50Z)
• 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)
• Learning Reward Functions for Robotic Manipulation by Observing Humans [92.30657414416527]
  我々は、ロボット操作ポリシーのタスク非依存報酬関数を学習するために、幅広い操作タスクを解く人間のラベル付きビデオを使用する。 学習された報酬は、タイムコントラストの目的を用いて学習した埋め込み空間におけるゴールまでの距離に基づいている。
  論文  参考訳（メタデータ） (2022-11-16T16:26:48Z)
• DexTransfer: Real World Multi-fingered Dexterous Grasping with Minimal Human Demonstrations [51.87067543670535]
  本研究では,少数の人間によるデモンストレーションを行い,見えない物体のポーズを学習するロボット学習システムを提案する。 我々は,物体の点群を入力として捉え,物体を異なる初期ロボット状態から把握するための連続的な動作を予測する,厳密な把握ポリシーを訓練する。 我々のデータセットから学んだポリシーは、シミュレーションと現実世界の両方で見えないオブジェクトのポーズをうまく一般化することができる。
  論文  参考訳（メタデータ） (2022-09-28T17:51:49Z)
• 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。