論文の概要: A Soft Wrist with Anisotropic and Selectable Stiffness for Robust Robot Learning in Contact-rich Manipulation
- arxiv url: http://arxiv.org/abs/2602.14434v1
- Date: Mon, 16 Feb 2026 03:45:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:41.481859
- Title: A Soft Wrist with Anisotropic and Selectable Stiffness for Robust Robot Learning in Contact-rich Manipulation
- Title（参考訳）: コンタクトリッチマニピュレーションにおけるロバストロボット学習のための異方性と選択性のあるソフトリスト
- Authors: Steven Oh, Tomoya Takahashi, Cristian C. Beltran-Hernandez, Yuki Kuroda, Masashi Hamaya,
- Abstract要約: CLAW (Compliant Leaf-spring Anisotropic soft Wrist) は、シンプルだが効果的な設計によって制限に対処する新しいソフト手首機構である。
CLAWは大きな6自由度変形(40mm横、20mm垂直)を提供し、3つの異なるモードで調整可能な異方性剛性を備え、軽量な構造を維持している。
- 参考スコア（独自算出の注目度）: 8.659234970380966
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Contact-rich manipulation tasks in unstructured environments pose significant robustness challenges for robot learning, where unexpected collisions can cause damage and hinder policy acquisition. Existing soft end-effectors face fundamental limitations: they either provide a limited deformation range, lack directional stiffness control, or require complex actuation systems that compromise practicality. This study introduces CLAW (Compliant Leaf-spring Anisotropic soft Wrist), a novel soft wrist mechanism that addresses these limitations through a simple yet effective design using two orthogonal leaf springs and rotary joints with a locking mechanism. CLAW provides large 6-degree-of-freedom deformation (40mm lateral, 20mm vertical), anisotropic stiffness that is tunable across three distinct modes, while maintaining lightweight construction (330g) at low cost ($550). Experimental evaluations using imitation learning demonstrate that CLAW achieves 76% success rate in benchmark peg-insertion tasks, outperforming both the Fin Ray gripper (43%) and rigid gripper alternatives (36%). CLAW successfully handles diverse contact-rich scenarios, including precision assembly with tight tolerances and delicate object manipulation, demonstrating its potential to enable robust robot learning in contact-rich domains. Project page: https://project-page-manager.github.io/CLAW/
- Abstract（参考訳）: 非構造環境におけるコンタクトリッチな操作タスクは、予期せぬ衝突が損傷を生じさせ、ポリシーの獲得を妨げる、ロボット学習に重大な堅牢性課題をもたらす。
既存のソフトエンドエフェクターは、変形範囲が限られているか、方向の剛性制御が欠けているか、実用性を損なう複雑なアクチュエータシステムを必要とするか、基本的な制限に直面している。
CLAW(Compliant Leaf-spring Anisotropic soft Wrist)は,2つの直交葉ばねとロック機構を備えた回転継手を用いた簡易かつ効果的な設計により,これらの制約に対処する新しいソフト手首機構である。
CLAWは、大きな6自由度変形(40mm横、20mm垂直)を提供し、3つの異なるモードで調整できる異方性剛性を備え、軽量な構造(330g)を低コストで維持する(550ドル)。
模擬学習を用いた実験により, CLAWはベンチマークペグ挿入作業において76%の成功率を達成し, フィンレイグリップ(43%)と剛性グリップ(36%)の両方を上回った。
CLAWは、厳密な耐性と繊細なオブジェクト操作を備えた精度アセンブリを含む、さまざまなコンタクトリッチなシナリオをうまく処理し、コンタクトリッチなドメインで堅牢なロボット学習を可能にする可能性を実証する。
プロジェクトページ: https://project-page-manager.github.io/CLAW/
関連論文リスト
- OmniVTA: Visuo-Tactile World Modeling for Contact-Rich Robotic Manipulation [60.609604885961716]
textbfOmniViTacは,16ドルのタスクと100ドル以上のオブジェクトからなる21,000ドル以上のトラジェクトリからなる大規模ビズオタクティルアクションデータセットである。
我々は4つの密結合モジュールを統合する世界モデルベースのビジュオ触覚操作フレームワークである textbf OmniVTA を提案する。
論文 参考訳（メタデータ） (2026-03-19T17:52:42Z) - Geometry-based pneumatic actuators for soft robotics [3.516880783923843]
我々は,CNC熱シールチャンバーを用いた拘束層を導入する設計と実装のアプローチとして,幾何に基づく空気圧アクチュエータ(GPAs)を提案する。
このアプローチは予測可能な変形、ほぼゼロの曲げ半径、多状態アクチュエータを実現し、カスタマイズ可能かつ繰り返し可能な複雑なアクチュエータージオメトリを可能にする。
49gの手首外骨格による筋活動の最大51%低減,30.8g触覚インタフェースによる8N力フィードバックの高速応答,208g二足歩行ロボットの3つの応用によるGPAアプローチの汎用性を実証した。
論文 参考訳（メタデータ） (2026-02-27T15:43:22Z) - Rigidity-Based Multi-Finger Coordination for Precise In-Hand Manipulation of Force-Sensitive Objects [5.313029497667778]
マルチフィンガーハンドは指先接触のみに依存しており、プルフォースを適用できない。
力覚的物体の高精度な操作を可能にする多指協調のための二重層フレームワークを提案する。
我々は、このフレームワークをカスタムなデクスタラスな手で検証し、脆弱なオブジェクトを操作できることを実証した。
論文 参考訳（メタデータ） (2026-02-15T11:40:39Z) - Development of the Bioinspired Tendon-Driven DexHand 021 with Proprioceptive Compliance Control [10.382085972192723]
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, 再現性は0.001m以下, 力推定誤差は0.2N以下であった。
論文 参考訳（メタデータ） (2025-11-05T14:07:03Z) - 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) - 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) - Twisting Lids Off with Two Hands [82.21668778600414]
シミュレーションで訓練された政策を実世界へ効果的かつ効率的に移行する方法を示す。
具体的には,ボトル状物体の蓋を両手でねじる問題について考察する。
これは、バイマガル・マルチフィンガーハンドでそのような機能を実現する最初のsim-to-real RLシステムである。
論文 参考訳（メタデータ） (2024-03-04T18:59:30Z) - 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)
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。