論文の概要: Force Policy: Learning Hybrid Force-Position Control Policy under Interaction Frame for Contact-Rich Manipulation

• arxiv url: http://arxiv.org/abs/2602.22088v1
• Date: Wed, 25 Feb 2026 16:35:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.714498
• Title: Force Policy: Learning Hybrid Force-Position Control Policy under Interaction Frame for Contact-Rich Manipulation
• Title（参考訳）: 力政策:接触力操作のための相互作用枠組みに基づくハイブリッド力-力制御政策の学習
• Authors: Hongjie Fang, Shirun Tang, Mingyu Mei, Haoxiang Qin, Zihao He, Jingjing Chen, Ying Feng, Chenxi Wang, Wanxi Liu, Zaixing He, Cewu Lu, Shiquan Wang,
• Abstract要約: コンタクトリッチな操作は、人間のような知覚と力のフィードバックの統合を要求する。 既存の学習ベースのポリシは、これらの役割をモノリシックなネットワークに束縛することが多い。 本研究では,グローバル・ローカル・ビジョン・フォース・ポリシーを提案する。このポリシーでは,グローバル・グローバル・ポリシーが視覚を用いて自由空間動作を誘導し,接触時に,力フィードバックによる高周波ローカル・ポリシーが相互作用フレームを推定し,安定した相互作用のためのハイブリッド・フォース・ポジション・コントロールを実行する。
• 参考スコア（独自算出の注目度）: 55.969741720077565
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Contact-rich manipulation demands human-like integration of perception and force feedback: vision should guide task progress, while high-frequency interaction control must stabilize contact under uncertainty. Existing learning-based policies often entangle these roles in a monolithic network, trading off global generalization against stable local refinement, while control-centric approaches typically assume a known task structure or learn only controller parameters rather than the structure itself. In this paper, we formalize a physically grounded interaction frame, an instantaneous local basis that decouples force regulation from motion execution, and propose a method to recover it from demonstrations. Based on this, we address both issues by proposing Force Policy, a global-local vision-force policy in which a global policy guides free-space actions using vision, and upon contact, a high-frequency local policy with force feedback estimates the interaction frame and executes hybrid force-position control for stable interaction. Real-world experiments across diverse contact-rich tasks show consistent gains over strong baselines, with more robust contact establishment, more accurate force regulation, and reliable generalization to novel objects with varied geometries and physical properties, ultimately improving both contact stability and execution quality. Project page: https://force-policy.github.io/
• Abstract（参考訳）: コンタクトリッチな操作は、人間のように知覚と力のフィードバックを統合することを要求する: 視覚はタスクの進行を導くべきであるが、高周波の相互作用制御は不確実性の下で接触を安定させなければならない。 既存の学習ベースのポリシーは、しばしばモノリシックネットワークにおいてこれらの役割を束縛し、グローバルな一般化を安定した局所的な洗練と引き換え、コントロール中心のアプローチは一般的に既知のタスク構造を前提とするか、構造自体よりもコントローラパラメータのみを学習する。 本稿では,力の制御を動作実行から切り離す瞬間的な局所的基盤である物理的に接地された相互作用フレームを定式化し,実演から回復する手法を提案する。 これに基づいて、我々は、グローバル・ローカル・ビジョン・フォース・ポリシーであるフォース・ポリシーを提案し、グローバル・ポリシーは、ビジョンを用いて自由空間のアクションをガイドし、接触すると、力フィードバックを伴う高周波ローカル・ポリシーは相互作用フレームを推定し、安定した相互作用のためのハイブリッド・フォース・ポジション・コントロールを実行する。 多様な接触豊富なタスクにわたる実世界の実験は、強いベースラインよりも一貫した利得を示し、より堅牢な接触確立、より正確な力規制、および様々な幾何学と物理特性を持つ新しい物体への信頼性の高い一般化を示し、最終的には接触安定性と実行品質の両方を改善した。 プロジェクトページ: https://force-policy.github.io/

関連論文リスト

• ForceVLA2: Unleashing Hybrid Force-Position Control with Force Awareness for Contact-Rich Manipulation [75.39847750457626]
  エンドツーエンドの視覚言語アクションフレームワークであるForceVLA2は、ハイブリッドな力配置制御と明示的な力覚を備えたロボットを装備する。 学習と評価を支援するために,5つの接触豊富なタスクに1,000の軌道を含むForceVLA2-Datasetを構築した。 実験により、ForceVLA2は接触リッチな操作における成功率と信頼性を大幅に改善することが示された。
  論文  参考訳（メタデータ） (2026-03-16T12:03:58Z)
• ImplicitRDP: An End-to-End Visual-Force Diffusion Policy with Structural Slow-Fast Learning [52.86018040861575]
  本稿では,単一のネットワークに視覚計画と反応力制御を統合した,一貫したエンドツーエンドの視覚力拡散政策を提案する。 本稿では,非同期な視覚と力のトークンを同時に処理するための因果的注意力を利用した構造的スローフォールストラーニングを紹介する。 コンタクトリッチタスクの実験では、ImplicitRDPは視覚のみのベースラインと階層的なベースラインの両方で著しく優れていた。
  論文  参考訳（メタデータ） (2025-12-11T18:59:46Z)
• GentleHumanoid: Learning Upper-body Compliance for Contact-rich Human and Object Interaction [14.278503723930998]
  GentleHumanoidは、インピーダンス制御を全身のモーショントラッキングポリシーに統合し、上半身のコンプライアンスを実現するフレームワークである。 我々は,Unitree G1ヒューマノイドとシミュレーションの両方において,異なるレベルのコンプライアンスを必要とするタスクに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2025-11-06T18:59:33Z)
• 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)
• Reactive Diffusion Policy: Slow-Fast Visual-Tactile Policy Learning for Contact-Rich Manipulation [58.95799126311524]
  人間は視覚と触覚を使って、外的変化に対する迅速な応答や接触力の適応制御のような非常に反応性の高い能力で、コンタクトリッチなタスクを達成できる。 既存の視覚模倣学習アプローチは、複雑な振る舞いをモデル化するためにアクションチャンキングに依存している。 本稿では,Augmented Realityを通じてリアルタイム触覚フィードバックを提供する,低コスト遠隔操作システムであるTactARを紹介する。
  論文  参考訳（メタデータ） (2025-03-04T18:58:21Z)
• COMBO-Grasp: Learning Constraint-Based Manipulation for Bimanual Occluded Grasping [56.907940167333656]
  集積ロボットグルーピングは、表面衝突などの環境制約により、所望のグルーピングポーズが運動的に不可能な場所である。 従来のロボット操作アプローチは、人間が一般的に使用する非包括的または双対的戦略の複雑さに苦しむ。 本稿では,2つの協調ポリシーを活用する学習ベースアプローチであるCOMBO-Grasp(Constraint-based Manipulation for Bimanual Occluded Grasping)を紹介する。
  論文  参考訳（メタデータ） (2025-02-12T01:31:01Z)
• Learning Diffusion Policies from Demonstrations For Compliant Contact-rich Manipulation [5.1245307851495]
  本稿では,DIPCOM(Diffusion Policies for Compliant Manipulation)を提案する。 生成拡散モデルを活用することで、カルト効果のポーズを予測し、腕の硬さを調整し、必要な力を維持できる政策を開発する。 提案手法は,マルチモーダル分布モデリングによる力制御を強化し,コンプライアンス制御における拡散ポリシの統合を改善し,実世界のタスクにおいてその効果を示すことによって,これまでの作業を拡張する。
  論文  参考訳（メタデータ） (2024-10-25T00:56:15Z)

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。