論文の概要: Diffusion-Based Impedance Learning for Contact-Rich Manipulation Tasks

• arxiv url: http://arxiv.org/abs/2509.19696v1
• Date: Wed, 24 Sep 2025 02:07:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-25 20:53:19.663501
• Title: Diffusion-Based Impedance Learning for Contact-Rich Manipulation Tasks
• Title（参考訳）: 拡散に基づくコンタクトリッチ操作課題のインピーダンス学習
• Authors: Noah Geiger, Tamim Asfour, Neville Hogan, Johannes Lachner,
• Abstract要約: インピーダンス制御は物理的相互作用を形作るが、実現可能なインピーダンスパラメータを選択することでタスク認識チューニングを必要とする。 両ドメインを組み合わせたフレームワークである拡散型インピーダンス学習を提案する。
• 参考スコア（独自算出の注目度）: 13.17252299377244
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning methods excel at motion generation in the information domain but are not primarily designed for physical interaction in the energy domain. Impedance Control shapes physical interaction but requires task-aware tuning by selecting feasible impedance parameters. We present Diffusion-Based Impedance Learning, a framework that combines both domains. A Transformer-based Diffusion Model with cross-attention to external wrenches reconstructs a simulated Zero-Force Trajectory (sZFT). This captures both translational and rotational task-space behavior. For rotations, we introduce a novel SLERP-based quaternion noise scheduler that ensures geometric consistency. The reconstructed sZFT is then passed to an energy-based estimator that updates stiffness and damping parameters. A directional rule is applied that reduces impedance along non task axes while preserving rigidity along task directions. Training data were collected for a parkour scenario and robotic-assisted therapy tasks using teleoperation with Apple Vision Pro. With only tens of thousands of samples, the model achieved sub-millimeter positional accuracy and sub-degree rotational accuracy. Its compact model size enabled real-time torque control and autonomous stiffness adaptation on a KUKA LBR iiwa robot. The controller achieved smooth parkour traversal within force and velocity limits and 30/30 success rates for cylindrical, square, and star peg insertions without any peg-specific demonstrations in the training data set. All code for the Transformer-based Diffusion Model, the robot controller, and the Apple Vision Pro telemanipulation framework is publicly available. These results mark an important step towards Physical AI, fusing model-based control for physical interaction with learning-based methods for trajectory generation.
• Abstract（参考訳）: 学習方法は情報領域における運動生成において優れるが、主にエネルギー領域における物理的相互作用のために設計されているわけではない。 インピーダンス制御は物理的相互作用を形作るが、実現可能なインピーダンスパラメータを選択することでタスク認識チューニングを必要とする。 両ドメインを組み合わせたフレームワークである拡散型インピーダンス学習を提案する。 外部レンチに対するクロスアテンションを持つトランスフォーマーベース拡散モデルは、シミュレーションされたゼロフォース軌道(sZFT)を再構成する。 これは、翻訳的および回転的なタスク空間の振る舞いをキャプチャする。 回転の場合、幾何整合性を保証する新しいSLERPベースの四元音スケジューラを導入する。 再構成されたsZFTは、剛性と減衰パラメータを更新するエネルギーベースの推定器に渡される。 タスク方向に沿って剛性を保ちながら、非タスク軸に沿ったインピーダンスを減少させる方向性規則が適用される。 トレーニングデータは、Apple Vision Proとの遠隔操作を用いたパーサーシナリオとロボット支援治療タスクのために収集された。 数万のサンプルしか持たないこのモデルは、サブミリメートルの位置精度とサブ度の回転精度を達成した。 そのコンパクトなモデルサイズは、KUKA LBR アイワロボットのリアルタイムトルク制御と自律剛性適応を可能にした。 制御器は、運動量と速度限界内におけるスムーズなパールトラバーサルを達成し、訓練データセットにペグ特異的なデモンストレーションを伴わずに、円筒形、四角形、星ペグ挿入の30/30の成功率を達成した。 TransformerベースのDiffusion Model、ロボットコントローラ、Apple Vision Proの遠隔操作フレームワークのコードは、すべて公開されている。 これらの結果は、軌道生成のための学習に基づく手法と物理的相互作用のためのモデルベース制御を融合させることにより、物理AIへの重要な一歩となる。

関連論文リスト

• Physical Autoregressive Model for Robotic Manipulation without Action Pretraining [65.8971623698511]
  我々は、自己回帰ビデオ生成モデルを構築し、物理自己回帰モデル(PAR)を提案する。 PARは、アクション事前トレーニングを必要とせず、物理力学を理解するために、ビデオ事前トレーニングに埋め込まれた世界の知識を活用する。 ManiSkillベンチマークの実験は、PARがPushCubeタスクで100%の成功率を達成したことを示している。
  論文  参考訳（メタデータ） (2025-08-13T13:54:51Z)
• RobotDiffuse: Motion Planning for Redundant Manipulator based on Diffusion Model [13.110235244912474]
  冗長マニピュレータは、キネマティック性能と汎用性の向上を提供する。 これらのマニピュレータの動作計画は、DOFの増加と複雑な動的環境のために困難である。 本稿では,冗長マニピュレータにおける運動計画のための拡散モデルに基づくロボットディフューズを提案する。
  論文  参考訳（メタデータ） (2024-12-27T07:34:54Z)
• End-to-End Reinforcement Learning for Torque Based Variable Height Hopping [5.34772724436823]
  足の移動は自然または非構造地形を扱うのに最も適しており、多用途であることは間違いない。 本稿では,ジャンプ位相を暗黙的に検出するエンド・ツー・エンドのRL型トルクコントローラを提案する。 また、学習した制御器がリッチな動的タスクに接触できるように、シミュレーション手法を拡張し、ロボットへの展開を成功させる。
  論文  参考訳（メタデータ） (2023-07-31T13:51:29Z)
• OSCAR: Data-Driven Operational Space Control for Adaptive and Robust Robot Manipulation [50.59541802645156]
  オペレーショナル・スペース・コントロール(OSC)は、操作のための効果的なタスクスペース・コントローラとして使われてきた。 本稿では,データ駆動型OSCのモデル誤差を補償するOSC for Adaptation and Robustness (OSCAR)を提案する。 本手法は,様々なシミュレーション操作問題に対して評価し,制御器のベースラインの配列よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2021-10-02T01:21:38Z)
• Online Body Schema Adaptation through Cost-Sensitive Active Learning [63.84207660737483]
  この作業は、icubロボットシミュレータの7dofアームを使用して、シミュレーション環境で実行された。 コストに敏感な能動学習手法は最適な関節構成を選択するために用いられる。 その結果,コスト依存型能動学習は標準的な能動学習手法と同等の精度を示し,実行運動の約半分を減らした。
  論文  参考訳（メタデータ） (2021-01-26T16:01:02Z)

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。