論文の概要: Grasp to Act: Dexterous Grasping for Tool Use in Dynamic Settings

• arxiv url: http://arxiv.org/abs/2602.20466v1
• Date: Tue, 24 Feb 2026 01:53:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.659594
• Title: Grasp to Act: Dexterous Grasping for Tool Use in Dynamic Settings
• Title（参考訳）: Grasp to Act: 動的設定で使用するツールのためのデクサラスなGrasping
• Authors: Harsh Gupta, Mohammad Amin Mirzaee, Wenzhen Yuan,
• Abstract要約: 本稿では,物理学に基づくグリップ最適化と強化学習に基づくグリップ適応を組み合わせたハイブリッドシステムGrasp-to-Actを提案する。 提案手法では,人間の実演から得られる頑健なグリップ構成を合成し,手動滑走を防止するために,手動補正を残留的に発行する適応制御器を用いる。 16-DoFデキスタラスハンドを用いたシミュレーションおよび実世界のハードウェア試行において,本手法は手動の翻訳および回転のスリップを低減し,タスク完了率が最も高い。
• 参考スコア（独自算出の注目度）: 5.05447792208957
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Achieving robust grasping with dexterous hands remains challenging, especially when manipulation involves dynamic forces such as impacts, torques, and continuous resistance--situations common in real-world tool use. Existing methods largely optimize grasps for static geometric stability and often fail once external forces arise during manipulation. We present Grasp-to-Act, a hybrid system that combines physics-based grasp optimization with reinforcement-learning-based grasp adaptation to maintain stable grasps throughout functional manipulation tasks. Our method synthesizes robust grasp configurations informed by human demonstrations and employs an adaptive controller that residually issues joint corrections to prevent in-hand slip while tracking the object trajectory. Grasp-to-Act enables robust zero-shot sim-to-real transfer across five dynamic tool-use tasks--hammering, sawing, cutting, stirring, and scooping--consistently outperforming baselines. Across simulation and real-world hardware trials with a 16-DoF dexterous hand, our method reduces translational and rotational in-hand slip and achieves the highest task completion rates, demonstrating stable functional grasps under dynamic, contact-rich conditions.
• Abstract（参考訳）: 特に、実際の道具の使用に共通する衝撃、トルク、連続抵抗などの動的力による操作では、頑丈な握力を達成することは困難である。 既存の手法は、グリップを静的な幾何学的安定性のために最適化し、操作中に外力が発生すると失敗することが多い。 本稿では,物理学に基づくグリップ最適化と強化学習に基づくグリップ適応を組み合わせたハイブリッドシステムGrasp-to-Actについて述べる。 提案手法では,人間の実演から得られる頑健なグリップ構成を合成し,物体の軌道を追尾しながら手動すべりを防止するために,手動補正を残留的に発行する適応制御器を用いる。 Grasp-to-Actは,5つの動的ツール使用タスク – マーキング,切り抜き,かき混ぜ,スクーピング – に対して,堅牢なゼロショットのsim-to-real転送を可能にする。 16-DoFデキスタラスハンドを用いたシミュレーションおよび実世界のハードウェア試行において,本手法はトランスレーショナルおよび回転インハンドスリップを低減し,高いタスク完了率を達成し,動的で接触豊富な条件下での安定な機能的把握を実証する。

関連論文リスト

• Consistency-Driven Dual LSTM Models for Kinematic Control of a Wearable Soft Robotic Arm [33.333272339511446]
  本稿では,ウェアラブルデバイスに組み込まれた空気圧作動式ロボットアームの前方および逆運動学を正確に学習するための一貫性駆動型デュアルLSTMフレームワークを提案する。 この手法は, アクティベーション入力とエンドエフェクタ位置の1対1マッピング問題に対処しながら, ソフト空気圧アクチュエータの非線形およびヒステリックな挙動を効果的に捉えている。
  論文  参考訳（メタデータ） (2026-03-18T12:51:12Z)
• OmniTrack: General Motion Tracking via Physics-Consistent Reference [54.256312586493415]
  OmniTrackは、一般的なモーショントラッキングから物理的実現可能性を明確に分離する一般的なトラッキングフレームワークである。 実験により、OmniTrackは追跡精度を向上し、目に見えない動きに対して強力な一般化を示すことが示された。 実世界のテストでは、OmniTrackは、フリップやカートホイールのような複雑なアクロバティックな動きを含む、1時間の長さ、一貫性、安定したトラッキングを実現している。
  論文  参考訳（メタデータ） (2026-02-27T09:12:15Z)
• 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)
• Dynamic Manipulation of Deformable Objects in 3D: Simulation, Benchmark and Learning Strategy [88.8665000676562]
  従来の手法は、しばしば問題を低速または2D設定に単純化し、現実の3Dタスクに適用性を制限する。 データ不足を軽減するため、新しいシミュレーションフレームワークと、低次ダイナミクスに基づくベンチマークを導入する。 本研究では,シミュレーション前トレーニングと物理インフォームドテスト時間適応を統合するフレームワークであるDynamics Informed Diffusion Policy (DIDP)を提案する。
  論文  参考訳（メタデータ） (2025-05-23T03:28:25Z)
• ForceGrip: Reference-Free Curriculum Learning for Realistic Grip Force Control in VR Hand Manipulation [0.10995326465245926]
  本稿では,現実的な手操作動作を合成する深層学習エージェントであるForceGripを紹介する。 我々は、指の位置決め、意図適応、動的安定化を含む3段階のカリキュラム学習フレームワークを採用する。 以上の結果から,ForceGripの出力制御性と信頼性は最先端の手法に比べて優れていた。
  論文  参考訳（メタデータ） (2025-03-11T05:39:07Z)
• Variable Stiffness for Robust Locomotion through Reinforcement Learning [8.577291729956137]
  本稿では,関節位置とともに動作空間に可変剛性を統合する新しい制御パラダイムを提案する。 脚ごとの剛性(PLS)をグループ化する可変剛性ポリシは,速度トラッキングやプッシュリカバリにおいて,位置ベース制御よりも優れていた。
  論文  参考訳（メタデータ） (2025-02-13T16:00:46Z)
• DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via Physics Simulation [81.11585774044848]
  我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。 提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
  論文  参考訳（メタデータ） (2023-10-11T05:34:36Z)
• 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。