論文の概要: Learning Adaptive Force Control for Contact-Rich Sample Scraping with Heterogeneous Materials

• arxiv url: http://arxiv.org/abs/2603.10979v1
• Date: Wed, 11 Mar 2026 17:07:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-21 18:33:56.692783
• Title: Learning Adaptive Force Control for Contact-Rich Sample Scraping with Heterogeneous Materials
• Title（参考訳）: 不均一材料を用いたコンタクトリッチサンプルストラップの学習適応力制御
• Authors: Cenk Cetin, Shreyas Pouli, Gabriella Pizzuto,
• Abstract要約: グローバルな課題によって推進される、科学発見の加速に対する需要の増加は、先進的なAI駆動型ロボットの必要性を強調している。 人間中心の研究室にロボット化学者を配置することは、自律的な発見の次の地平の鍵だ。 本研究は, 安定かつ適合な物理相互作用を実現するために, 低レベルカルテシアンインピーダンス制御を頼りに, この問題に対処するための適応制御フレームワークを提案する。 本手法は5種類の材料で評価され, 平均10.9%の固定 Wrench ベースラインよりも優れた性能を示した。
• 参考スコア（独自算出の注目度）: 0.5161531917413708
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The increasing demand for accelerated scientific discovery, driven by global challenges, highlights the need for advanced AI-driven robotics. Deploying robotic chemists in human-centric labs is key for the next horizon of autonomous discovery, as complex tasks still demand the dexterity of human scientists. Robotic manipulation in this context is uniquely challenged by handling diverse chemicals (granular, powdery, or viscous liquids), under varying lab conditions. For example, humans use spatulas for scraping materials from vial walls. Automating this process is challenging because it goes beyond simple robotic insertion tasks and traditional lab automation, requiring the execution of fine-granular movements within a constrained environment (the sample vial). Our work proposes an adaptive control framework to address this, relying on a low-level Cartesian impedance controller for stable and compliant physical interaction and a high-level reinforcement learning agent that learns to dynamically adjust interaction forces at the end-effector. The agent is guided by perception feedback, which provides the material's location. We first created a task-representative simulation environment with a Franka Research 3 robot, a scraping tool, and a sample vial containing heterogeneous materials. To facilitate the learning of an adaptive policy and model diverse characteristics, the sample is modelled as a collection of spheres, where each sphere is assigned a unique dislodgement force threshold, which is procedurally generated using Perlin noise. We train an agent to autonomously learn and adapt the optimal contact wrench for a sample scraping task in simulation and then successfully transfer this policy to a real robotic setup. Our method was evaluated across five different material setups, outperforming a fixed-wrench baseline by an average of 10.9%.
• Abstract（参考訳）: グローバルな課題によって推進される、科学発見の加速に対する需要の増加は、先進的なAI駆動型ロボットの必要性を強調している。 人間中心の研究室にロボット化学者を配置することは、自律的な発見の次の地平を告げる鍵となる。 この文脈でのロボットの操作は、様々な実験室条件下で様々な化学物質(粒状、粉状、粘性液体)を処理することで、独特な挑戦を受ける。 例えば、人間は外壁から材料を削るためにヘラを使用する。 このプロセスの自動化は、単純なロボット挿入タスクや従来のラボ自動化を超えて、制約された環境(サンプルバイアル)内での粒状運動の実行を必要とするため、難しい。 本研究は, 安定かつ適合な物理相互作用のための低レベルカルトインピーダンス制御と, エンドエフェクタにおける相互作用力の動的調整を学習する高レベル強化学習エージェントに頼って, この問題に対処するための適応制御フレームワークを提案する。 エージェントは、材料の位置を提供する知覚フィードバックによってガイドされる。 我々はまず,フランカリサーチ3ロボット,スクラップツール,異種材料を含むサンプルバイアルを用いたタスク表現型シミュレーション環境を構築した。 適応政策の学習を容易にし、多様な特性をモデル化するために、サンプルは球の集合としてモデル化され、各球はパーリンノイズを用いて手続き的に生成される独自の投射力閾値が割り当てられる。 我々はエージェントに、シミュレーション中のサンプルスクラップタスクに対して最適な接触レンチを自律的に学習し、適応するように訓練し、このポリシーを実際のロボットに転送することに成功した。 本手法は5種類の材料で評価され, 平均10.9%の固定 Wrench ベースラインよりも優れた性能を示した。

関連論文リスト

• Generalizable Geometric Prior and Recurrent Spiking Feature Learning for Humanoid Robot Manipulation [90.90219129619344]
  本稿では,スパイキング機能を備えたR-prior-S, Recurrent Geometric-priormodal Policyを提案する。 物理的現実の高レベル推論を基礎として、軽量な2次元幾何学的帰納バイアスを利用する。 ロボット行動生成におけるデータ効率問題に対して,再帰的適応スパイクネットワークを導入する。
  論文  参考訳（メタデータ） (2026-01-13T23:36:30Z)
• RobotArena $\infty$: Scalable Robot Benchmarking via Real-to-Sim Translation [47.79800816696372]
  操作ポリシーの現実的なテストは、大規模に労働集約的で、再現が難しい。 既存のシミュレーションベンチマークも同様に制限されており、同じ合成ドメイン内でポリシーをトレーニングおよびテストしている。 本稿では,VLA評価を大規模にシミュレーションした拡張環境に移行することで,これらの課題を克服する新しいベンチマークフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-27T17:41:38Z)
• RoboGen: Towards Unleashing Infinite Data for Automated Robot Learning via Generative Simulation [68.70755196744533]
  RoboGenはジェネレーティブなロボットエージェントで、ジェネレーティブなシミュレーションを通じて、さまざまなロボットのスキルを自動的に学習する。 我々の研究は、大規模モデルに埋め込まれた広範囲で多目的な知識を抽出し、それらをロボット工学の分野に移す試みである。
  論文  参考訳（メタデータ） (2023-11-02T17:59:21Z)
• Nonprehensile Planar Manipulation through Reinforcement Learning with Multimodal Categorical Exploration [8.343657309038285]
  強化学習はそのようなロボットコントローラを開発するための強力なフレームワークである。 分類分布を用いたマルチモーダル探索手法を提案する。 学習したポリシは外部の障害や観測ノイズに対して堅牢であり、複数のプッシュ器でタスクにスケールできることが示される。
  論文  参考訳（メタデータ） (2023-08-04T16:55:00Z)
• Accelerating Laboratory Automation Through Robot Skill Learning For Sample Scraping [4.969887562291159]
  自律的な実験にラボロボティクスを使うことは、科学者を退屈な作業から救い出す魅力的な道のりを提供する。 一部の実験では、既に自動化の恩恵を受けることができるが、サンプルの準備はまだ手作業で行われている。 完全自律型サンプリングスクレイピング手法を実現するため,スクレイピングポリシーを学習するためのモデルフリー強化学習法を提案する。
  論文  参考訳（メタデータ） (2022-09-29T15:40:12Z)
• Active Predicting Coding: Brain-Inspired Reinforcement Learning for Sparse Reward Robotic Control Problems [79.07468367923619]
  ニューラルジェネレーティブ・コーディング(NGC)の神経認知計算フレームワークによるロボット制御へのバックプロパゲーションフリーアプローチを提案する。 我々は、スパース報酬から動的オンライン学習を容易にする強力な予測符号化/処理回路から完全に構築されたエージェントを設計する。 提案するActPCエージェントは,スパース(外部)報酬信号に対して良好に動作し,複数の強力なバックプロップベースのRLアプローチと競合し,性能が優れていることを示す。
  論文  参考訳（メタデータ） (2022-09-19T16:49:32Z)
• SAGCI-System: Towards Sample-Efficient, Generalizable, Compositional, and Incremental Robot Learning [41.19148076789516]
  上記の4つの要件を満たすために,SAGCIシステムと呼ばれる体系的な学習フレームワークを導入する。 本システムはまず,ロボットの手首に搭載されたカメラによって収集された生点雲を入力とし,URDFに代表される周囲環境の初期モデリングを生成する。 そのロボットは、対話的な知覚を利用して環境と対話し、URDFのオンライン検証と修正を行う。
  論文  参考訳（メタデータ） (2021-11-29T16:53:49Z)

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。