論文の概要: CDF-Glove: A Cable-Driven Force Feedback Glove for Dexterous Teleoperation
- arxiv url: http://arxiv.org/abs/2603.05804v1
- Date: Fri, 06 Mar 2026 01:31:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:41.969546
- Title: CDF-Glove: A Cable-Driven Force Feedback Glove for Dexterous Teleoperation
- Title（参考訳）: CDF-Glove: Dexterous Teleoperationのためのケーブル駆動型力フィードバックグローブ
- Abstract要約: 既存の遠隔操作プラットフォームは、通常、触覚フィードバックを省略し、大きめで高価なままである。
軽量で低コストなケーブル駆動力フィードバックグローブCDF-Gloveを紹介する。
CDF-Gloveは、遠位関節リピータビリティを0.4度達成し、約200ミリ秒の強制フィードバック遅延を提供する。
- 参考スコア（独自算出の注目度）: 22.093321919503225
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: High-quality teleoperated demonstrations are a primary bottleneck for imitation learning (IL) in dexterous manipulation. However, haptic feedback provides operators with real-time contact information, enabling real-time finger posture adjustments, and thereby improving demonstration quality. Existing dexterous teleoperation platforms typically omit haptic feedback and remain bulky and expensive. We introduce CDF-Glove, a lightweight and low cost cable-driven force-feedback glove. The real-time state is available for 20 finger degrees of freedom (DoF), of which 16 are directly sensed and 4 are passively coupled (inferred from kinematic constraints). We develop a kinematic model and control stack for the glove, and validate them across multiple robotic hands with diverse kinematics and DoF. The CDF-Glove achieves distal joint repeatability of 0.4 degrees, and delivers about 200 ms force feedback latency, yielding a 4x improvement in task success rate relative to no-feedback teleoperation. We collect two bimanual teleoperation datasets, on which we train and evaluate Diffusion Policy baselines. Compared to kinesthetic teaching, the policies trained in our teleoperated demonstrations increase the average success rate by 55% and reduce the mean completion time by approximately 15.2 seconds (a 47.2% relative reduction). In particular, the CDF-Glove costs approximately US$230. The code and designs are released as open source at https://cdfglove.github.io/.
- Abstract（参考訳）: 高品質な遠隔操作型デモは、巧妙な操作における模倣学習(IL)の主要なボトルネックである。
しかし、触覚フィードバックは、オペレーターにリアルタイムな接触情報を提供し、リアルタイムな指の姿勢調整を可能にし、それによって実演品質を向上させる。
既存の遠隔操作プラットフォームは、通常、触覚フィードバックを省略し、大きめで高価なままである。
軽量で低コストなケーブル駆動力フィードバックグローブCDF-Gloveを紹介する。
リアルタイム状態は20指自由度(DoF)で利用でき、そのうち16は直接感知され、4は受動的に結合する(運動的制約から推測される)。
本研究では,多種多様なキネマティクスとDoFを用いて,複数のロボットハンドにまたがる運動モデルと制御スタックを構築した。
CDF-Gloveは0.4度の遠位継手再現性を実現し、約200ミリ秒の力フィードバック遅延を実現し、フィードバックなしの遠隔操作と比較してタスク成功率を4倍改善する。
我々は2つの双方向遠隔操作データセットを収集し、拡散政策のベースラインをトレーニングし評価する。
体力教育と比較して,遠隔操作実験で訓練した政策は平均成功率を55%向上させ,平均完了時間を約15.2秒短縮する(相対減少率47.2%)。
特にCDF-Gloveは約230ドルだ。
コードと設計はhttps://cdfglove.github.io/でオープンソースとして公開されている。
関連論文リスト
- ViHaTeleop: A Low-Cost, Lightweight Visual-Haptic Teleoperation System for Dexterous Manipulation Learning [0.0]
ViHaTeleopは低コストの視覚触覚遠隔操作システムで、SLAMベースの手首追跡、カメラベースの手指追跡、リニア共振アクチュエータ(LRA)による指回りの振動フィードバックを備えている。
主観評価では, 接触明瞭度が有意に向上し, シミュレーションと実世界の両方で信頼感が得られた。
収集されたデモから視覚触覚ポリシーの訓練による予備的検証は、触覚的手がかりが接触クリティカルなサブタスクに有効であることを示す。
論文 参考訳（メタデータ） (2026-08-17T13:36:32Z) - Pose-Aware Modeling to Mitigate Pose-Related Artifacts in Tactile Gloves [12.960256702707596]
触覚手袋は、手動物体の相互作用において接触と力のデジタル化を行う。
フレキシブルセンサーは接触力だけでなく手ポーズの変化にも敏感で、ポーズ関連アーティファクト(PRA)をもたらす。
我々は,手振り情報を活用するグローブ非依存のアルゴリズムフレームワークを導入し,手袋の修正を伴わずにPRAを緩和する。
論文 参考訳（メタデータ） (2026-07-25T00:12:31Z) - AnyDexRT: Calibration-Free Dexterous Hand Retargeting with Few-Shot Human Guidance [52.973947477815614]
AnyDexRT は人のような器用な手間で直感的な器用な遠隔操作を行うキャリブレーションのない手法である。
実験によると、AnyDexRTは品質を改善し、手動チューニングを減らし、従来の方法よりも直感的で効率的な制御を提供する。
論文 参考訳（メタデータ） (2026-07-09T10:29:53Z) - ForceBand: Learning Forceful Manipulation with sEMG [55.186900419710746]
ForceBandは低コストで手首を縫ったsEMGシステムで、人間の筋肉活動を力で強化されたデモに変える。
我々は,筋電図およびIMU信号から指ごとの力を予測するEMG2Forceモデルを事前訓練する。
実験により、ForceBandは視覚ベースラインよりも50%以上低い力予測誤差で細粒度の指先相互作用を回復することが示された。
論文 参考訳（メタデータ） (2026-06-24T17:59:35Z) - The N2D Haptic Glove: A Multi-Finger Glove for 2D Directional Force Feedback for Contact Rich Manipulation [11.79647885994712]
人間は操作中に接触を調査・規制するために指先方向の力に頼っている。
ほとんどのウェアラブルハプティックグローブは、振動や単軸力のみをレンダリングし、力の方向があいまいになる。
本稿では,多指ウェアラブルデバイスであるN2D Haptic Gloveについて述べる。
論文 参考訳（メタデータ） (2026-06-12T03:59:33Z) - Dexora: Open-source VLA for High-DoF Bimanual Dexterity [97.98653150757526]
Dexoraは、デュアルアーム、デュアルハンドハイDoF操作をターゲットとする、世界初のオープンソースのVLAシステムである。
指の動きから全身の運動を分離するハイブリッド遠隔操作パイプラインを設計する。
Dexoraはベーシックベンチマークとデクスタラスベンチマークの両方で競合するVLAベースラインを上回っている。
論文 参考訳（メタデータ） (2026-05-18T17:50:32Z) - Feel Robot Feels: Tactile Feedback Array Glove for Dexterous Manipulation [29.061513339025026]
我々は,手の動きを正確に捉え,高精度な触覚フィードバックを組み込んだ低コストグローブシステムTAGを提案する。
モーションキャプチャーのために、TAGはドリフトフリーで電磁力のある21-DoF関節追跡を提供する非接触磁気センシング設計を採用している。
我々は,TAGが接触幾何学と動的力の信頼性の高いリアルタイム認識を可能にし,接触豊富な遠隔操作タスクの成功率を向上させるとともに,学習に基づく操作のための実演データ収集の信頼性を高めることを示す。
論文 参考訳（メタデータ） (2026-03-30T15:04:13Z) - Characterization, Analytical Planning, and Hybrid Force Control for the Inspire RH56DFX Hand [2.574393697080417]
器用なロボットの手はますます普及しているが、科学機器としての使用が難しいものも多い。
我々はInspire RH56DFXに3つの改良を加えて、それをブラックボックスデバイスから研究ツールに変換する。
我々はこれらの部品を穴内挿入で検証し,成功率65%,手首力のみのベースライン10%を上回った。
論文 参考訳（メタデータ） (2026-03-09T22:25:38Z) - AirGlove: Exploring Egocentric 3D Hand Tracking and Appearance Generalization for Sensing Gloves [10.234494805527943]
本研究は,愛手を用いた視覚に基づく手の動き追跡モデルの最初の体系的評価である。
既存の素手モデルでは、素手デザインと手袋デザインの間に大きなギャップがあるため、性能が著しく低下する。
本研究では,既存のグローブを利用して学習したグローブ表現を,限られたデータで新たなグローブへ一般化するAirGloveを提案する。
論文 参考訳（メタデータ） (2026-02-05T00:24:02Z) - OSMO: Open-Source Tactile Glove for Human-to-Robot Skill Transfer [34.13467792368733]
我々は、人間とロボットのスキル伝達用に設計されたウェアラブルな触覚手袋であるOSMOを紹介する。
人間の実演のみに特化して訓練されたロボットポリシーは、困難なコンタクトリッチな操作タスクを実行することができることを実証する。
論文 参考訳（メタデータ） (2025-12-09T18:56:30Z) - FingerCap: Fine-grained Finger-level Hand Motion Captioning [44.18347733095312]
きめ細かい指レベルハンドモーションキャプションは、手の動きの詳細な指レベルセマンティクスを生成することを目的としている。
このタスクをサポートするために、40Kペアのハンドモーションビデオとキャプションの大規模なコーパスであるFingerCap-40Kをキュレートする。
FingerCap-40Kの実験によると、強力なオープンソースとクローズドソースのVideo-MLLMは今でも指レベルの推論に苦戦している。
論文 参考訳（メタデータ） (2025-11-21T04:59:01Z) - Feel the Force: Contact-Driven Learning from Humans [52.36160086934298]
操作中のきめ細かい力の制御は、ロボット工学における中核的な課題である。
We present FeelTheForce, a robot learning system that model human tactile behavior to learn force-sensitive control。
提案手法は,5つの力覚的操作タスクで77%の成功率を達成した,スケーラブルな人間の監督において,堅牢な低レベル力制御を実現する。
論文 参考訳（メタデータ） (2025-06-02T17:57:52Z) - TeleOpBench: A Simulator-Centric Benchmark for Dual-Arm Dexterous Teleoperation [50.261933845325636]
本稿では,2次元デキスタラス遠隔操作に適したシミュレータ中心のベンチマークであるTeleOpBenchを紹介する。
このベンチマークでは、(i)MoCap、(ii)VRデバイス、(iii)腕手外骨格、(iv)単眼視追跡の4つの代表的遠隔操作モードを実装している。
論文 参考訳（メタデータ） (2025-05-19T06:08:53Z) - HOMIE: Humanoid Loco-Manipulation with Isomorphic Exoskeleton Cockpit [52.12750762494588]
本稿では,半自律遠隔操作システムHOMIEを紹介する。
ペダルにマッピングされた身体制御のための強化学習ポリシー、腕制御のための異形外骨格アーム、手操作のためのモーションセンシンググローブを組み合わせている。
このシステムは完全なオープンソースであり、デモとコードはhttps://homietele.org/.com/で見ることができる。
論文 参考訳（メタデータ） (2025-02-18T16:33:38Z) - LEAP Hand: Low-Cost, Efficient, and Anthropomorphic Hand for Robot
Learning [42.071970090044594]
機械学習研究のための低コストで人為的な手であるLEAP Handについて述べる。
従来の手とは対照的に、LEAP Handは指のポーズに関係なく最大デキスタリティを許容する新しいキネマティック構造を持つ。
LEAP Handは実世界における操作作業に利用できることを示す。
論文 参考訳（メタデータ） (2023-09-12T17:59:20Z) - DexVIP: Learning Dexterous Grasping with Human Hand Pose Priors from
Video [86.49357517864937]
DexVIPは,人間と物体のインタラクションビデオから,器用なロボットの把握を学習する手法である。
我々は、人間とオブジェクトのインタラクションビデオから把握した画像をキュレートし、エージェントの手のポーズに先行する。
DexVIPは、手ポーズの無い既存のアプローチや、特殊な遠隔操作機器に頼っている既存のアプローチと良好に比較できることを実証する。
論文 参考訳（メタデータ） (2022-02-01T00:45:57Z) - ProgFed: Effective, Communication, and Computation Efficient Federated Learning by Progressive Training [65.68511423300812]
本稿では,効率的なフェデレート学習のためのプログレッシブトレーニングフレームワークであるProgFedを提案する。
ProgFedは計算と双方向通信のコストを本質的に低減し、最終モデルの強力な性能を維持している。
以上の結果から, ProgFed はフルモデルの標準トレーニングと同等の速度で収束することがわかった。
論文 参考訳（メタデータ） (2021-10-11T14:45:00Z)
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。