論文の概要: Learning Deformable Object Manipulation Using Task-Level Iterative Learning Control

• arxiv url: http://arxiv.org/abs/2602.21302v1
• Date: Tue, 24 Feb 2026 19:13:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.68251
• Title: Learning Deformable Object Manipulation Using Task-Level Iterative Learning Control
• Title（参考訳）: タスクレベル反復学習制御を用いた変形可能な物体操作の学習
• Authors: Krishna Suresh, Chris Atkeson,
• Abstract要約: 本稿では,変形可能なオブジェクトを動的に操作するためのタスクレベル反復学習制御手法を提案する。 本研究では,この手法をフライング結び目と呼ばれる非平面ロープ操作タスクで実演する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dynamic manipulation of deformable objects is challenging for humans and robots because they have infinite degrees of freedom and exhibit underactuated dynamics. We introduce a Task-Level Iterative Learning Control method for dynamic manipulation of deformable objects. We demonstrate this method on a non-planar rope manipulation task called the flying knot. Using a single human demonstration and a simplified rope model, the method learns directly on hardware without reliance on large amounts of demonstration data or massive amounts of simulation. At each iteration, the algorithm constructs a local inverse model of the robot and rope by solving a quadratic program to propagate task-space errors into action updates. We evaluate performance across 7 different kinds of ropes, including chain, latex surgical tubing, and braided and twisted ropes, ranging in thicknesses of 7--25mm and densities of 0.013--0.5 kg/m. Learning achieves a 100\% success rate within 10 trials on all ropes. Furthermore, the method can successfully transfer between most rope types in approximately 2--5 trials. https://flying-knots.github.io
• Abstract（参考訳）: 変形可能な物体の動的操作は、無限の自由度を持ち、不安定なダイナミクスを示すため、人間やロボットにとって困難である。 本稿では,変形可能なオブジェクトを動的に操作するためのタスクレベル反復学習制御手法を提案する。 本研究では,この手法をフライング結び目と呼ばれる非平面ロープ操作タスクで実演する。 人間の1つのデモと単純なロープモデルを用いて、大量のデモデータや大量のシミュレーションに頼ることなく、ハードウェア上で直接学習する。 各イテレーションにおいて、アルゴリズムは、タスク空間エラーをアクション更新に伝達する二次プログラムを解くことで、ロボットとロープの局所的逆モデルを構築する。 鎖,ラテックス手術管,編曲ロープ,ねじりロープを含む7種類のロープに対して,厚さ7～25mm,密度0.013～0.5kg/mの範囲で性能を評価した。 学習は、すべてのロープで10回のトライアルで100\%の成功率を達成する。 さらに, 約2～5回の試験において, ロープタイプ間の移動に成功している。 https://flying-knots.github.io

関連論文リスト

• Imitating What Works: Simulation-Filtered Modular Policy Learning from Human Videos [56.510263910611684]
  本研究では,様々な動作を行う前に物体をつかむタスクを包括的操作に対処する。 人間のビデオは、移植後の動作を学ぶための強力な信号を提供するが、必要な把握行動を学ぶのにはあまり役に立たない。 本稿では、人間の動画モーションデータを用いたモジュラー操作ポリシーをトレーニングするためのフレームワークであるPerceive-Simulate-Imitate(PSI)を提案する。
  論文  参考訳（メタデータ） (2026-02-13T18:59:10Z)
• Offline Imitation Learning Through Graph Search and Retrieval [57.57306578140857]
  模倣学習は、ロボットが操作スキルを取得するための強力な機械学習アルゴリズムである。 本稿では,グラフ検索と検索により,最適下実験から学習する,シンプルで効果的なアルゴリズムGSRを提案する。 GSRは、ベースラインに比べて10%から30%高い成功率、30%以上の熟練を達成できる。
  論文  参考訳（メタデータ） (2024-07-22T06:12:21Z)
• Any-point Trajectory Modeling for Policy Learning [64.23861308947852]
  我々は、ビデオフレーム内の任意の点の将来の軌跡を予測するために、ATM(Any-point Trajectory Modeling)を導入する。 ATMは、強力なビデオ事前トレーニングベースラインを平均80%上回っている。 本研究では,人間の動画やビデオからの操作スキルを,異なるロボット形態から効果的に伝達する学習方法を示す。
  論文  参考訳（メタデータ） (2023-12-28T23:34:43Z)
• GenORM: Generalizable One-shot Rope Manipulation with Parameter-Aware Policy [22.965840244436777]
  GenORMは、操作ポリシーが1つの実世界のデモで異なる変形可能なロープを処理できるようにするフレームワークです。 新しいロープが与えられたとき、GenORMは、実世界の実演とシミュレーションの点雲の格子密度の差を最小限にして、変形可能なロープパラメータを推定する。 実世界のロープ操作のシミュレーションと実世界のロープ操作の実証実験により,本手法が一つの実演で異なるロープを操作できることが明らかとなった。
  論文  参考訳（メタデータ） (2023-06-14T03:37:55Z)
• Learning to Shift Attention for Motion Generation [55.61994201686024]
  ロボット学習を用いた動作生成の課題の1つは、人間のデモが1つのタスククエリに対して複数のモードを持つ分布に従うことである。 以前のアプローチでは、すべてのモードをキャプチャできなかったり、デモの平均モードを取得できないため、無効なトラジェクトリを生成する傾向があった。 この問題を克服する外挿能力を有するモーション生成モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-24T09:07:52Z)
• Visual Imitation Made Easy [102.36509665008732]
  本稿では,ロボットへのデータ転送を容易にしながら,データ収集プロセスを単純化する,模倣のための代替インターフェースを提案する。 我々は、データ収集装置やロボットのエンドエフェクターとして、市販のリーチ・グラブラー補助具を使用する。 我々は,非包括的プッシュと包括的積み重ねという2つの課題について実験的に評価した。
  論文  参考訳（メタデータ） (2020-08-11T17:58:50Z)
• Learning Rope Manipulation Policies Using Dense Object Descriptors Trained on Synthetic Depth Data [32.936908766549344]
  本稿では,初期とゴールのロープ構成間の点対対応を学習する手法を提案する。 ABB YuMi Robotによるノットタイリングタスクの50回の試行では、これまで見つからなかった構成から66%のノットタイリング成功率を達成した。
  論文  参考訳（メタデータ） (2020-03-03T23:43:05Z)

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。