論文の概要: Fast Bilateral Teleoperation and Imitation Learning Using Sensorless Force Control via Accurate Dynamics Model

• arxiv url: http://arxiv.org/abs/2507.06174v1
• Date: Tue, 08 Jul 2025 16:54:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-09 16:34:38.356749
• Title: Fast Bilateral Teleoperation and Imitation Learning Using Sensorless Force Control via Accurate Dynamics Model
• Title（参考訳）: 高精度ダイナミクスモデルを用いたセンサレス力制御による高速双方向遠隔操作と模倣学習
• Authors: Koki Yamane, Yunhan Li, Masashi Konosu, Koki Inami, Junji Oaki, Sho Sakaino, Toshiaki Tsuji,
• Abstract要約: この研究は、力覚フィードバックによる高速遠隔操作が、力覚のない低コストマニピュレータでも実現可能であることを示した。 本手法は,正確に同定されたマニピュレータ力学に基づいて非線形項補償,速度,外力推定を統合する。 4チャンネルの双方向制御によって収集されたデータを用いて、学習ポリシーの入力と出力の両方に力情報を統合することで、模倣学習のパフォーマンスが向上することを示す。
• 参考スコア（独自算出の注目度）: 1.6019538204169677
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, the advancement of imitation learning has led to increased interest in teleoperating low-cost manipulators to collect demonstration data. However, most existing systems rely on unilateral control, which only transmits target position values. While this approach is easy to implement and suitable for slow, non-contact tasks, it struggles with fast or contact-rich operations due to the absence of force feedback. This work demonstrates that fast teleoperation with force feedback is feasible even with force-sensorless, low-cost manipulators by leveraging 4-channel bilateral control. Based on accurately identified manipulator dynamics, our method integrates nonlinear terms compensation, velocity and external force estimation, and variable gain corresponding to inertial variation. Furthermore, using data collected by 4-channel bilateral control, we show that incorporating force information into both the input and output of learned policies improves performance in imitation learning. These results highlight the practical effectiveness of our system for high-fidelity teleoperation and data collection on affordable hardware.
• Abstract（参考訳）: 近年、模倣学習の進歩により、デモデータ収集のための低コストマニピュレータの遠隔操作への関心が高まっている。 しかし、既存のシステムの多くは一方的な制御に依存しており、ターゲット位置の値のみを送信している。 このアプローチは実装が容易で、遅くて非接触的なタスクに適しているが、力のフィードバックがないため、高速またはコンタクトリッチな操作に苦労する。 本研究は, 力覚フィードバックによる高速遠隔操作が, 4チャネル二元制御を利用して, 力覚のない低コストマニピュレータでも実現可能であることを示す。 本手法は, 精度の高いマニピュレータ力学に基づいて, 非線形項補償, 速度, 外部力推定, 慣性変動に対応する変数ゲインを統合する。 さらに、4チャンネルの双方向制御によって収集されたデータを用いて、学習ポリシーの入力と出力の両方に力情報を統合することで、模倣学習のパフォーマンスが向上することを示す。 これらの結果は,安価なハードウェア上での高忠実な遠隔操作とデータ収集において,本システムの有効性を浮き彫りにした。

関連論文リスト

• Deep Learning Optimization of Two-State Pinching Antennas Systems [48.70043547158868]
  ピンチアンテナ(PA)は、二元活性化状態を通して電磁波の伝搬を動的に制御することができる。 本研究では,ユーザ端末での通信速度を最大化することを目的として,定位PAのサブセットを最適に選択して導波路で活性化する問題について検討する。
  論文  参考訳（メタデータ） (2025-07-08T17:55:54Z)
• Reactive Diffusion Policy: Slow-Fast Visual-Tactile Policy Learning for Contact-Rich Manipulation [58.95799126311524]
  人間は視覚と触覚を使って、外的変化に対する迅速な応答や接触力の適応制御のような非常に反応性の高い能力で、コンタクトリッチなタスクを達成できる。 既存の視覚模倣学習アプローチは、複雑な振る舞いをモデル化するためにアクションチャンキングに依存している。 本稿では,Augmented Realityを通じてリアルタイム触覚フィードバックを提供する,低コスト遠隔操作システムであるTactARを紹介する。
  論文  参考訳（メタデータ） (2025-03-04T18:58:21Z)
• FACTR: Force-Attending Curriculum Training for Contact-Rich Policy Learning [70.65987250853311]
  フォースフィードバックは、ほとんどのロボットアームで簡単に利用できるが、遠隔操作や政策学習では一般的には使われない。 本稿では,低コストで直感的で双方向な遠隔操作システムを提案し,従者アームの外部力を教師アームに伝える。 次に、FACTRというカリキュラムを利用した政策学習手法を導入し、学習を通して視覚入力を劣化させ、強度を低下させる。
  論文  参考訳（メタデータ） (2025-02-24T18:59:07Z)
• Multimodal and Force-Matched Imitation Learning with a See-Through Visuotactile Sensor [14.492202828369127]
  我々は、模倣学習(IL)の枠組みの中でマルチモーダル・ビゾタクタクタブル・センサを活用して、コンタクトリッチなタスクを実行する。 本稿では,IL改善のための補完手法として,触覚力マッチングと学習モード切替という2つのアルゴリズム的貢献を紹介する。 以上の結果から, 力の一致が平均政策成功率62.5%, ビズオタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタク
  論文  参考訳（メタデータ） (2023-11-02T14:02:42Z)
• MOMA-Force: Visual-Force Imitation for Real-World Mobile Manipulation [15.333753481333067]
  MOMA-Forceは、認識のための表現学習、複雑な動作生成のための模倣学習、システムの堅牢性と制御性のための全身制御をシームレスに組み合わせた視覚力模倣手法である。 本手法は, 力の模倣を伴わないベースライン法と比較して, 接触力と力のばらつきを小さくする。
  論文  参考訳（メタデータ） (2023-08-07T14:31:07Z)
• Learning Robotic Manipulation Skills Using an Adaptive Force-Impedance Action Space [7.116986445066885]
  強化学習は、様々な困難な意思決定タスクにおいて、有望な結果をもたらしました。 高速な人間のような適応制御手法は複雑なロボットの相互作用を最適化するが、非構造化タスクに必要なマルチモーダルフィードバックを統合することができない。 本稿では,階層的学習と適応アーキテクチャにおける学習問題を要因として,両世界を最大限に活用することを提案する。
  論文  参考訳（メタデータ） (2021-10-19T12:09:02Z)

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。