論文の概要: Online Inertia Parameter Estimation for Unknown Objects Grasped by a Manipulator Towards Space Applications

• arxiv url: http://arxiv.org/abs/2512.21886v1
• Date: Fri, 26 Dec 2025 06:19:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.523737
• Title: Online Inertia Parameter Estimation for Unknown Objects Grasped by a Manipulator Towards Space Applications
• Title（参考訳）: マニピュレータによる未知物体のオンライン慣性パラメータ推定
• Authors: Akiyoshi Uchida, Antonine Richard, Kentaro Uno, Miguel Olivares-Mendez, Kazuya Yoshida,
• Abstract要約: 把握されたオブジェクトの慣性パラメータを知ることは、動的に認識する操作に不可欠である。 この研究は、操作中に未知の対象物の慣性パラメータを推定する問題に対処する。
• 参考スコア（独自算出の注目度）: 2.4851979798228894
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Knowing the inertia parameters of a grasped object is crucial for dynamics-aware manipulation, especially in space robotics with free-floating bases. This work addresses the problem of estimating the inertia parameters of an unknown target object during manipulation. We apply and extend an existing online identification method by incorporating momentum conservation, enabling its use for the floating-base robots. The proposed method is validated through numerical simulations, and the estimated parameters are compared with ground-truth values. Results demonstrate accurate identification in the scenarios, highlighting the method's applicability to on-orbit servicing and other space missions.
• Abstract（参考訳）: 把握された物体の慣性パラメータを知ることは、特に自由フローティングベースを持つ宇宙ロボティクスにおいて、動的に認識される操作に不可欠である。 この研究は、操作中に未知の対象物の慣性パラメータを推定する問題に対処する。 本研究では,運動量保護を取り入れた既存のオンライン識別手法を適用し拡張し,浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動 提案手法は数値シミュレーションにより検証し, 推定パラメータを地中構造値と比較した。 その結果、シナリオの正確な識別が示され、軌道上でのサービスやその他の宇宙ミッションへのメソッドの適用性が強調された。

関連論文リスト

• Articulated Object Manipulation using Online Axis Estimation with SAM2-Based Tracking [57.942404069484134]
  アーティキュレートされたオブジェクト操作は、オブジェクトの軸を慎重に考慮する必要がある、正確なオブジェクトインタラクションを必要とする。 従来の研究では、対話的な知覚を用いて関節のある物体を操作するが、通常、オープンループのアプローチは相互作用のダイナミクスを見渡すことに悩まされる。 本稿では,対話的知覚と3次元点雲からのオンライン軸推定を統合したクローズドループパイプラインを提案する。
  論文  参考訳（メタデータ） (2024-09-24T17:59:56Z)
• ParamsDrag: Interactive Parameter Space Exploration via Image-Space Dragging [10.860159623360842]
  ParamsDragは、ビジュアライゼーションと直接対話することでパラメータ空間の探索を容易にするモデルである。 第一に、ParamsDragの生成成分は、入力シミュレーションパラメータに基づいて視覚化を生成する。 第2に、可視化において構造関連機能を直接ドラッグすることで、ユーザーは異なるパラメータの制御効果を直感的に理解することができる。 第三に、初期のステップから理解することで、ユーザはParamsDragを操り、ダイナミックな視覚的な結果を生み出すことができる。
  論文  参考訳（メタデータ） (2024-07-19T08:12:41Z)
• Learning Variable Impedance Skills from Demonstrations with Passivity Guarantee [13.498124592226734]
  本稿では,力覚と運動情報を統合し,可変インピーダンス制御を実現するための学習支援フレームワークを提案する。 タンクを用いた可変インピーダンス制御手法を提案する。
  論文  参考訳（メタデータ） (2023-06-20T06:05:04Z)
• Robust Pivoting Manipulation using Contact Implicit Bilevel Optimization [17.741546783400484]
  汎用的な操作には、ロボットが新しいオブジェクトや環境と対話する必要がある。 不確実性の存在下でのピボット操作計画のための頑健な最適化について検討する。 操作中の物理特性の推定における不正確さを補うために、摩擦をどのように活用できるかについての知見を提示する。
  論文  参考訳（メタデータ） (2023-03-15T22:25:34Z)
• Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
  本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。 連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。 我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
  論文  参考訳（メタデータ） (2021-11-15T18:50:04Z)
• 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)
• Evaluating the Safety of Deep Reinforcement Learning Models using Semi-Formal Verification [81.32981236437395]
  本稿では,区間分析に基づく半形式的意思決定手法を提案する。 本手法は, 標準ベンチマークに比較して, 形式検証に対して比較結果を得る。 提案手法は, 意思決定モデルにおける安全性特性を効果的に評価することを可能にする。
  論文  参考訳（メタデータ） (2020-10-19T11:18:06Z)
• Point Cloud Based Reinforcement Learning for Sim-to-Real and Partial Observability in Visual Navigation [62.22058066456076]
  強化学習(Reinforcement Learning, RL)は、複雑なロボットタスクを解決する強力なツールである。 RL は sim-to-real transfer problem として知られる現実世界では直接作用しない。 本稿では,点雲と環境ランダム化によって構築された観測空間を学習する手法を提案する。
  論文  参考訳（メタデータ） (2020-07-27T17:46:59Z)
• Learning to Slide Unknown Objects with Differentiable Physics Simulations [16.86640234046472]
  本稿では,未知のオブジェクトを初期設定から目標設定にプッシュする手法を提案する。 提案手法は、最近の微分可能な物理モデルの進歩を利用して、押された物体の未知の力学的性質を学習する。
  論文  参考訳（メタデータ） (2020-05-11T21:53:33Z)
• Dimensionality Reduction of Movement Primitives in Parameter Space [34.16700176918835]
  運動プリミティブは、現実世界のロボティクスにとって重要なポリシークラスである。 パラメトリゼーションの高次元性により、政策最適化はサンプルと計算の両方においてコストがかかる。 本稿では,パラメータ空間における次元減少の応用を提案し,主運動を同定する。
  論文  参考訳（メタデータ） (2020-02-26T16:38:39Z)

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。