論文の概要: Direction Matters: Learning Force Direction Enables Sim-to-Real Contact-Rich Manipulation

• arxiv url: http://arxiv.org/abs/2602.14174v1
• Date: Sun, 15 Feb 2026 14:57:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.475003
• Title: Direction Matters: Learning Force Direction Enables Sim-to-Real Contact-Rich Manipulation
• Title（参考訳）: 指示事項:学習力指示によりコンタクトライチ操作をシミュレートできる
• Authors: Yifei Yang, Anzhe Chen, Zhenjie Zhu, Kechun Xu, Yunxuan Mao, Yufei Wei, Lu Chen, Rong Xiong, Yue Wang,
• Abstract要約: 本稿では,専門家が設計したコントローラロジックを転送に利用するフレームワークを提案する。 タスクにおける特権的監督の成功に触発されて、シミュレーションには人間によって設計された有限状態マシンベースの位置/力制御を用いる。 シミュレーションの不正確さに非常に敏感な力の大きさとは異なり、力の方向はハイレベルなタスク形状を符号化し、シム・トゥ・リアルギャップをまたいで頑健なままである。
• 参考スコア（独自算出の注目度）: 28.707088673008172
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sim-to-real transfer for contact-rich manipulation remains challenging due to the inherent discrepancy in contact dynamics. While existing methods often rely on costly real-world data or utilize blind compliance through fixed controllers, we propose a framework that leverages expert-designed controller logic for transfer. Inspired by the success of privileged supervision in kinematic tasks, we employ a human-designed finite state machine based position/force controller in simulation to provide privileged guidance. The resulting policy is trained to predict the end-effector pose, contact state, and crucially the desired contact force direction. Unlike force magnitudes, which are highly sensitive to simulation inaccuracies, force directions encode high-level task geometry and remain robust across the sim-to-real gap. At deployment, these predictions configure a force-aware admittance controller. By combining the policy's directional intent with a constant, low-cost manually tuned force magnitude, the system generates adaptive, task-aligned compliance. This tuning is lightweight, typically requiring only a single scalar per contact state. We provide theoretical analysis for stability and robustness to disturbances. Experiments on four real-world tasks, i.e., microwave opening, peg-in-hole, whiteboard wiping, and door opening, demonstrate that our approach significantly outperforms strong baselines in both success rate and robustness. Videos are available at: https://yifei-y.github.io/project-pages/DirectionMatters/.
• Abstract（参考訳）: 接触ダイナミクスに固有の相違があるため、接触リッチな操作のためのシミュレート・トゥ・リアル転送は依然として困難である。 既存の手法は高コストな実世界のデータや固定コントローラによる盲点コンプライアンスを利用することが多いが,我々は専門家が設計したコントローラロジックを利用して転送を行うフレームワークを提案する。 運動タスクにおける特権的監督の成功に触発されて、シミュレーションには人間によって設計された有限状態マシンベースの位置/力制御を用いて、特権的ガイダンスを提供する。 得られたポリシーは、エンドエフェクタのポーズ、接触状態、および所望の接触力方向を予測するために訓練される。 シミュレーションの不正確さに非常に敏感な力の大きさとは異なり、力の方向はハイレベルなタスク形状を符号化し、シム・トゥ・リアルギャップをまたいで頑健なままである。 デプロイ時に、これらの予測はフォース対応のアプタンスコントローラを構成する。 方針の方向性と、一定かつ低コストで手作業で調整された力の大きさを組み合わせることで、システムは適応的でタスク整合性のあるコンプライアンスを生成する。 このチューニングは軽量であり、通常、接触状態ごとに1つのスカラーしか必要としない。 障害に対する安定性と堅牢性に関する理論的解析を提供する。 電子レンジオープニング,ペグインホール,ホワイトボードワイピング,ドアオープニングの4つの実世界の課題に対する実験は,我々のアプローチが成功率と堅牢性の両方において強いベースラインを著しく上回ることを示した。 ビデオは以下の通り:https://yifei-y.github.io/project-pages/DirectionMatters/。

関連論文リスト

• CONTACT: CONtact-aware TACTile Learning for Robotic Disassembly [5.119250053135017]
  本研究では,ロボット分解における触覚センシングの役割について,シミュレーションと実世界の実験の両方を通して検討する。 視覚のみ、視覚+触覚RGB(TacRGB)、視覚+触覚力場(TacFF)の3つの感覚構成を比較した。 以上の結果から,触覚感覚はロボット分解において重要なタスク依存的な役割を担っており,特に接触優先のシナリオにおいて構造的力場表現が有効であることが示唆された。
  論文  参考訳（メタデータ） (2026-03-09T16:20:49Z)
• ULTRA: Unified Multimodal Control for Autonomous Humanoid Whole-Body Loco-Manipulation [55.467742403416175]
  本稿では,大規模モーションキャプチャをヒューマノイドに変換する物理駆動型ニューラルネットワークを提案する。 我々は高密度参照とスパースタスク仕様の両方をサポートする統合マルチモーダルコントローラを学習する。 その結果,ULTRAは自我中心の知覚から,自律的,目標条件付き全体ロコ操作に一般化することが示された。
  論文  参考訳（メタデータ） (2026-03-03T18:59:29Z)
• Minimalist Compliance Control [24.451467626022943]
  コンプライアンス制御は安全な物理的相互作用には不可欠であるが、その採用は力トルクセンサーなどのハードウェア要件によって制限されている。 モータ電流や電圧信号のみを用いたコンプライアンス動作を可能にするミニマリストコンプライアンス制御を提案する。 我々は,ロボットアーム,器用な手,接触の多い複数のタスクにまたがる2つのヒューマノイドロボットに対するアプローチを検証した。
  論文  参考訳（メタデータ） (2026-03-01T04:25:54Z)
• 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)
• UniForce: A Unified Latent Force Model for Robot Manipulation with Diverse Tactile Sensors [51.88112610411651]
  そこで本研究では,多様な触覚センサにまたがる共用潜在力空間を学習する,新しい統合された触覚表現学習フレームワークを提案する。 UniForceは、逆ダイナミクス(image-to-force)とフォワードダイナミクス(force-to-image)を共同モデリングすることで、クロスセンサー領域シフトを低減する 高価な外部力/トルクセンサ(F/T)への依存を避けるため,静的平衡を利用して直接センサ・オブジェクト・センサ・インタラクションを介して力対効果データを収集する。
  論文  参考訳（メタデータ） (2026-02-01T11:03:01Z)
• Closing the Reality Gap: Zero-Shot Sim-to-Real Deployment for Dexterous Force-Based Grasping and Manipulation [12.509181374985936]
  複数の指を持つ人間のような器用な手は、人間レベルの操作機能を提供する。 しかし、実際のハードウェアに直接デプロイ可能なトレーニングコントロールポリシは、コンタクトリッチな物理のため、依然として難しいままです。 本稿では,高密度触覚フィードバックと関節トルクセンシングを併用して身体的相互作用を調節する実践的枠組みを提案する。
  論文  参考訳（メタデータ） (2026-01-06T07:26:39Z)
• Towards Transferring Tactile-based Continuous Force Control Policies from Simulation to Robot [19.789369416528604]
  グリップフォースコントロールは、物体に作用する力の量を制限することによって、物体を安全に操作することを目的としている。 以前の作品では、手動制御器、モデルベースのアプローチ、あるいはsim-to-realトランスファーを示さなかった。 シミュレーションで訓練されたモデルなしの深層強化学習手法を提案し,さらに微調整を行わずにロボットに移行した。
  論文  参考訳（メタデータ） (2023-11-13T11:29:06Z)
• 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)
• COCOI: Contact-aware Online Context Inference for Generalizable Non-planar Pushing [87.7257446869134]
  一般的なコンタクトリッチな操作問題は、ロボット工学における長年の課題である。 深層強化学習は、ロボット操作タスクの解決に大きな可能性を示している。 動的プロパティのコンテキスト埋め込みをオンラインにエンコードする深層RL法であるCOCOIを提案する。
  論文  参考訳（メタデータ） (2020-11-23T08:20:21Z)
• Learning Compliance Adaptation in Contact-Rich Manipulation [81.40695846555955]
  本稿では,コンタクトリッチタスクに必要な力プロファイルの予測モデルを学習するための新しいアプローチを提案する。 このアプローチは、双方向Gated Recurrent Units (Bi-GRU) に基づく異常検出と適応力/インピーダンス制御を組み合わせたものである。
  論文  参考訳（メタデータ） (2020-05-01T05:23:34Z)

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。