論文の概要: Development of the Bioinspired Tendon-Driven DexHand 021 with Proprioceptive Compliance Control
- arxiv url: http://arxiv.org/abs/2511.03481v1
- Date: Wed, 05 Nov 2025 14:07:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-06 18:19:32.440221
- Title: Development of the Bioinspired Tendon-Driven DexHand 021 with Proprioceptive Compliance Control
- Title（参考訳）: 生体刺激型腱駆動型DexHand 021の開発
- Authors: Jianbo Yuan, Haohua Zhu, Jing Dai, Sheng Yi,
- Abstract要約: この手紙は、Dex-Hand 021という高性能でケーブル駆動の5本指ロボットハンドで、12のアクティブと7の受動的自由度(DoF)を持つ。
操作性を高めるために,プロプリオセプティブ・フォースセンシングに基づくアプタンス制御法を提案する。
実験の結果, シングルフィンガー負荷容量は10N以上, 指先再現性は0.001m以下, 力推定誤差は0.2N以下であった。
- 参考スコア（独自算出の注目度）: 10.382085972192723
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The human hand plays a vital role in daily life and industrial applications, yet replicating its multifunctional capabilities-including motion, sensing, and coordinated manipulation-with robotic systems remains a formidable challenge. Developing a dexterous robotic hand requires balancing human-like agility with engineering constraints such as complexity, size-to-weight ratio, durability, and force-sensing performance. This letter presents Dex-Hand 021, a high-performance, cable-driven five-finger robotic hand with 12 active and 7 passive degrees of freedom (DoFs), achieving 19 DoFs dexterity in a lightweight 1 kg design. We propose a proprioceptive force-sensing-based admittance control method to enhance manipulation. Experimental results demonstrate its superior performance: a single-finger load capacity exceeding 10 N, fingertip repeatability under 0.001 m, and force estimation errors below 0.2 N. Compared to PID control, joint torques in multi-object grasping are reduced by 31.19%, significantly improves force-sensing capability while preventing overload during collisions. The hand excels in both power and precision grasps, successfully executing 33 GRASP taxonomy motions and complex manipulation tasks. This work advances the design of lightweight, industrial-grade dexterous hands and enhances proprioceptive control, contributing to robotic manipulation and intelligent manufacturing.
- Abstract（参考訳）: 人間の手は日常生活や産業の応用において重要な役割を担いますが、動き、センサー、調整された操作を含む多機能機能を複製することは、まだまだ難しい課題です。
器用なロボットハンドの開発には、複雑性、サイズと重量比、耐久性、力覚性能といったエンジニアリング上の制約と、人間のようなアジリティのバランスが必要だ。
この手紙は、Dex-Hand 021という高性能でケーブル駆動の5本指のロボットハンドで、12のアクティブな自由度と7の受動的自由度(DoF)を持ち、軽量な1kgの設計で19のDoFのデキスタリティを達成している。
操作性を高めるために,プロプリオセプティブ・フォースセンシングに基づくアプタンス制御法を提案する。
単指の荷重容量が10N以上、指先が0.001m未満、力推定誤差が0.2N以下であり、PID制御と比較して、多目的グリップにおける関節トルクが31.19%減少し、衝突時の過負荷を防止しながら力覚能力を大幅に向上する。
ハンドはパワーと精度の両面で優れており、33のGRASP分類運動と複雑な操作タスクをうまく実行している。
この研究は、軽量で工業グレードの器用な手の設計を推進し、ロボット操作とインテリジェントな製造に寄与する。
関連論文リスト
- Feel the Force: Contact-Driven Learning from Humans [52.36160086934298]
操作中のきめ細かい力の制御は、ロボット工学における中核的な課題である。
We present FeelTheForce, a robot learning system that model human tactile behavior to learn force-sensitive control。
提案手法は,5つの力覚的操作タスクで77%の成功率を達成した,スケーラブルな人間の監督において,堅牢な低レベル力制御を実現する。
論文 参考訳（メタデータ） (2025-06-02T17:57:52Z) - Imitation Learning for Adaptive Control of a Virtual Soft Exoglove [3.3030080038744947]
本研究では,特定の筋力障害に対処し,手動操作作業に対する補償を提供するウェアラブルロボットコントローラを提案する。
人間の把握タスクを実行する同じ被験者のビデオデータは、実演から学習して操作モデルを訓練するために使用される。
この操作モデルはその後、オブジェクト固有のインタラクションタスクを実行するために微調整される。
筋骨格操作モデルにおける筋力は、後に仮想ウェアラブルロボットグローブの作動によって補償される神経運動障害をシミュレートするために弱められる。
論文 参考訳（メタデータ） (2025-05-14T03:09:21Z) - Multi-Goal Dexterous Hand Manipulation using Probabilistic Model-based Reinforcement Learning [2.34860173297653]
本稿では,モデルに基づく強化学習を用いて,多目的手操作タスクの学習に挑戦する。
本稿では,高次元手動特性を記述するためのゴールコンディション型確率モデル予測制御(GC-PMPC)を提案する。
ケーブル駆動のDexterousハンドDexHand 021を12個のアクティブDOFと5個の触覚センサーで駆動し、約80分以内に3つのゴールポーズにキュービッドダイの操作を学習する。
論文 参考訳（メタデータ） (2025-04-30T12:44:38Z) - RUKA: Rethinking the Design of Humanoid Hands with Learning [15.909251187339228]
この研究は、コンパクトで手頃で能力のある腱駆動のヒューマノイドハンドであるRUKAを提示する。
RUKAは5本の指を持ち、自由度は15度で、多種多様な人間的な握りが可能である。
制御課題に対処するために、MANUSグローブで収集したモーションキャプチャーデータから、関節-触覚-触覚モデルと指先-触覚モデルを学ぶ。
論文 参考訳（メタデータ） (2025-04-17T17:58:59Z) - A High-Force Gripper with Embedded Multimodal Sensing for Powerful and Perception Driven Grasping [12.351326520775464]
組込みマルチモーダル知覚機能を備えたモジュラー高把持力グリップを開発した。
提案したグリップは、コンパクトな実装で110Nの把持力を生成することができる。
高把握力は、アイインハンドカメラ、タイム・オブ・ライト(ToF)距離センサー、慣性計測ユニット(IMU)、全方位マイクを含む組込みマルチモーダルセンシングと組み合わせられる。
論文 参考訳（メタデータ） (2025-04-07T11:57:08Z) - Humanoid Whole-Body Locomotion on Narrow Terrain via Dynamic Balance and Reinforcement Learning [54.26816599309778]
動的バランスと強化学習(RL)に基づく新しい全身移動アルゴリズムを提案する。
具体的には,ZMP(Zero-Moment Point)駆動の報酬とタスク駆動の報酬を,全身のアクター批判的枠組みで拡張した尺度を活用することで,動的バランス機構を導入する。
フルサイズのUnitree H1-2ロボットによる実験により、非常に狭い地形でのバランスを維持するための手法の有効性が検証された。
論文 参考訳（メタデータ） (2025-02-24T14:53:45Z) - DexterityGen: Foundation Controller for Unprecedented Dexterity [67.15251368211361]
ツール使用など,ロボットの巧妙な操作スキルを教えることは,大きな課題となる。
現在のアプローチは、人間の遠隔操作(模倣学習)とシミュレート・トゥ・リアル強化学習(sim-to-real reinforcement learning)の2つの戦略に大別できる。
本稿では,手動回転や翻訳などの大規模動きプリミティブをRLで事前学習するDexterityGenを紹介する。
現実の世界では、人間の遠隔操作をコントローラーのプロンプトとして利用し、厳密な振る舞いを生み出す。
論文 参考訳（メタデータ） (2025-02-06T18:49:35Z) - DexHandDiff: Interaction-aware Diffusion Planning for Adaptive Dexterous Manipulation [78.60543357822957]
高度なロボティクスにとって、接触に富んだ相互作用による有害な操作が不可欠である。
DexHandDiffは,適応的デキスタラス操作のための対話型拡散計画フレームワークである。
当社のフレームワークは, 目標適応度の高いタスクにおいて, 平均70.7%の成功率を実現し, コンタクトリッチな操作における堅牢性と柔軟性を強調した。
論文 参考訳（メタデータ） (2024-11-27T18:03:26Z) - Real-Time Model-Free Deep Reinforcement Learning for Force Control of a
Series Elastic Actuator [56.11574814802912]
最先端のロボットアプリケーションは、歩行、揚力、操作などの複雑なタスクを達成するために、閉ループ力制御を備えた連続弾性アクチュエータ(SEAs)を使用する。
モデルフリーPID制御法はSEAの非線形性により不安定になりやすい。
深層強化学習は連続制御タスクに有効なモデルレス手法であることが証明されている。
論文 参考訳（メタデータ） (2023-04-11T00:51:47Z) - Towards Safe Control of Continuum Manipulator Using Shielded Multiagent
Reinforcement Learning [1.2647816797166165]
ロボットの制御は、MADQNフレームワークにおける1つのエージェント問題である1-DoFとして定式化され、学習効率が向上する。
シールドされたMADQNにより、ロボットは外部負荷下で、サブミリ単位のルート平均二乗誤差で点と軌道追跡を行うことができた。
論文 参考訳（メタデータ） (2021-06-15T05:55:05Z)
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。