論文の概要: SimTO: A simulation-based topology optimization framework for bespoke soft robotic grippers

• arxiv url: http://arxiv.org/abs/2601.19098v1
• Date: Tue, 27 Jan 2026 02:01:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-30 05:41:54.320821
• Title: SimTO: A simulation-based topology optimization framework for bespoke soft robotic grippers
• Title（参考訳）: SimTO: ロボットグリップのシミュレーションに基づくトポロジー最適化フレームワーク
• Authors: Kurt Enkera, Josh Pinskier, Marcus Gallagher, David Howard,
• Abstract要約: 我々は,接触型物理シミュレータから負荷ケースを自動的に抽出することで,高分解能トポロジ最適化を実現するフレームワークであるSimTOを紹介する。 私たちのデザインは、機能豊富なオブジェクトに高度に特化されているだけでなく、目に見えないオブジェクトにも一般化されていることを示す。
• 参考スコア（独自算出の注目度）: 1.6914373630026536
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Soft robotic grippers are essential for grasping delicate, geometrically complex objects in manufacturing, healthcare and agriculture. However, existing grippers struggle to grasp feature-rich objects with high topological variability, including gears with sharp tooth profiles on automotive assembly lines, corals with fragile protrusions, or vegetables with irregular branching structures like broccoli. Unlike simple geometric primitives such as cubes or spheres, feature-rich objects lack a clear "optimal" contact surface, making them both difficult to grasp and susceptible to damage when grasped by existing gripper designs. Safe handling of such objects therefore requires specialized soft grippers whose morphology is tailored to the object's features. Topology optimization offers a promising approach for producing specialized grippers, but its utility is limited by the requirement for pre-defined load cases. For soft grippers interacting with feature-rich objects, these loads arise from hundreds of unpredictable gripper-object contact forces during grasping and are unknown a priori. To address this problem, we introduce SimTO, a framework that enables high-resolution topology optimization by automatically extracting load cases from a contact-based physics simulator, eliminating the need for manual load specification. Given an arbitrary feature-rich object, SimTO produces highly customized soft grippers with fine-grained morphological features tailored to the object geometry. Numerical results show our designs are not only highly specialized to feature-rich objects, but also generalize to unseen objects.
• Abstract（参考訳）: ソフトロボットグリップは、製造、医療、農業において繊細で幾何学的に複雑な物体をつかむのに不可欠である。 しかし、既存のグリップパーは、自動車組立ラインに鋭い歯形を持つ歯車、壊れやすい突起を持つサンゴ、ブロッコリーのような不規則な分岐構造を持つ野菜など、トポロジカルな多様性を持つ特徴豊かな物体の把握に苦慮している。 立方体や球体のような単純な幾何学的原始体とは異なり、特徴に富んだ物体は明確な「最適」接触面を欠いているため、既存のグリップデザインでつかむのが困難で損傷を受けやすい。 そのため、そのような物体の安全な取り扱いには、形状が物体の特徴に合わせて調整された特別なソフトグリップが必要である。 トポロジ最適化は、特殊なグリップパを製造する上で有望なアプローチを提供するが、その実用性は、事前に定義された負荷ケースの要件によって制限される。 特徴量の多い物体と相互作用するソフトグリップの場合、これらの負荷は、つかむ際に数百の予測不可能なグリップオブジェクト接触力から発生し、先行性は不明である。 この問題に対処するために,接触型物理シミュレータから負荷ケースを自動的に抽出し,手動負荷仕様を不要にすることで,高分解能トポロジ最適化を実現するフレームワークであるSimTOを導入する。 任意の特徴豊富なオブジェクトを与えられたSimtoは、オブジェクト形状に合わせて微細な形態的特徴を持つ、高度にカスタマイズされたソフトグリップを生成する。 数値的な結果から、我々の設計は特徴豊富な対象に高度に特化されているだけでなく、見えない対象にも一般化されていることが分かる。

関連論文リスト

• Simulation-Ready Cluttered Scene Estimation via Physics-aware Joint Shape and Pose Optimization [27.083888910311984]
  実世界の観測からシミュレーション可能なシーンを推定することは、下流の計画と政策学習タスクに不可欠である。 既存の手法は乱雑な環境で苦労する。 実写シーン推定のための統一的な最適化に基づく定式化を提案する。
  論文  参考訳（メタデータ） (2026-02-23T18:58:24Z)
• PhyScensis: Physics-Augmented LLM Agents for Complex Physical Scene Arrangement [89.35154754765502]
  PhyScensisは物理エンジンを動力とするエージェントベースのフレームワークで、物理的に可視なシーン構成を生成する。 本フレームワークは,微粒なテキスト記述や数値パラメータに対する強い制御性を保っている。 実験の結果,本手法はシーンの複雑さ,視覚的品質,身体的精度において,従来の手法よりも優れていた。
  論文  参考訳（メタデータ） (2026-02-16T17:55:25Z)
• Semantic-Contact Fields for Category-Level Generalizable Tactile Tool Manipulation [82.63833405368159]
  ツール操作の一般化には、セマンティックプランニングと正確な物理的制御の両方が必要である。 本研究では,密接な接触推定を伴う視覚的意味論を融合した3次元表現であるセマンティック・コンタクト・フィールド(SCFields)を提案する。 スクレイピング、クレヨン描画、剥離の実験は、堅牢なカテゴリレベルの一般化を示している。
  論文  参考訳（メタデータ） (2026-02-14T16:05:08Z)
• Kinematify: Open-Vocabulary Synthesis of High-DoF Articulated Objects [59.51185639557874]
  本稿では,任意のRGB画像やテキスト記述から直接音声オブジェクトを合成するフレームワークであるKinematifyを紹介する。 提案手法は, 高DoFオブジェクトに対する運動的トポロジの推測と静的幾何からの関節パラメータの推定という2つの課題に対処する。
  論文  参考訳（メタデータ） (2025-11-03T07:21:42Z)
• URDF-Anything: Constructing Articulated Objects with 3D Multimodal Language Model [76.08429266631823]
  3次元マルチモーダル大言語モデル(MLLM)に基づくエンドツーエンドの自動再構築フレームワークを提案する。 URDF-Anythingは、ポイントクラウドとテキストマルチモーダル入力に基づく自己回帰予測フレームワークを使用して、幾何学的セグメンテーションと運動論的パラメータ予測を協調的に最適化する。 シミュレーションと実世界の両方のデータセットの実験は、我々の手法が既存の手法よりも大幅に優れていることを示した。
  論文  参考訳（メタデータ） (2025-11-02T13:45:51Z)
• Flatten Anything: Unsupervised Neural Surface Parameterization [76.4422287292541]
  本研究では,FAM(Flatten Anything Model)を導入し,グローバルな自由境界面パラメータ化を実現する。 従来の手法と比較して,FAMは接続情報を活用することなく,個別の面上で直接動作する。 当社のFAMは前処理を必要とせずに完全に自動化されており,高度に複雑なトポロジを扱うことができる。
  論文  参考訳（メタデータ） (2024-05-23T14:39:52Z)
• Fin-QD: A Computational Design Framework for Soft Grippers: Integrating MAP-Elites and High-fidelity FEM [14.554559832990835]
  この研究は、指をベースとしたソフトグリップの広大な設計空間を計算的に探索する際のギャップを埋めると同時に、単純な制御方式で大きな幾何学的に異なるオブジェクトタイプを把握している。
  論文  参考訳（メタデータ） (2023-11-21T09:38:03Z)
• Tracking Partially-Occluded Deformable Objects while Enforcing Geometric Constraints [11.247580943940916]
  我々は、変形可能な物体の追跡を支援するために、高忠実度物理シミュレーションを構築した。 我々はRGBD画像と幾何運動推定に基づいてオブジェクトに焦点を当てる。 コントリビューションにより、従来の手法よりも精度の面で大きなマージンを達成できます。
  論文  参考訳（メタデータ） (2020-11-01T21:13:18Z)
• Scalable Differentiable Physics for Learning and Control [99.4302215142673]
  微分物理学は、物理的対象や環境を含む問題を学習し、制御するための強力なアプローチである。 我々は、多数のオブジェクトとその相互作用をサポートすることができる微分可能物理学のためのスケーラブルなフレームワークを開発する。
  論文  参考訳（メタデータ） (2020-07-04T19:07:51Z)

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。