論文の概要: Stiffness Copilot: An Impedance Policy for Contact-Rich Teleoperation
- arxiv url: http://arxiv.org/abs/2603.14068v1
- Date: Sat, 14 Mar 2026 18:23:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-21 18:33:56.810797
- Title: Stiffness Copilot: An Impedance Policy for Contact-Rich Teleoperation
- Title（参考訳）: Stiffness Copilot: コンタクトリッチ遠隔操作におけるインピーダンスポリシ
- Authors: Yeping Wang, Zhengtong Xu, Pornthep Preechayasomboon, Ben Abbatematteo, Amirhossein H. Memar, Nick Colonnese, Sonny Chan,
- Abstract要約: Stiffness Copilotは、オペレーターがロボットのポーズを指示し、ポリシーがロボットのインピーダンスをオンラインで調整する、共有制御遠隔操作のためのビジョンベースのポリシーである。
人体実験において、剛性コパイロットは、一定の低剛性を使用しながら、一定の高剛性を使用する効率と同等の安全性を達成した。
- 参考スコア（独自算出の注目度）: 6.424986551376915
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In teleoperation of contact-rich manipulation tasks, selecting robot impedance is critical but difficult. The robot must be compliant to avoid damaging the environment, but stiff to remain responsive and to apply force when needed. In this paper, we present Stiffness Copilot, a vision-based policy for shared-control teleoperation in which the operator commands robot pose and the policy adjusts robot impedance online. To train Stiffness Copilot, we first infer direction-dependent stiffness matrices in simulation using privileged contact information. We then use these matrices to supervise a lightweight vision policy that predicts robot stiffness from wrist-camera images and transfers zero-shot to real images at runtime. In a human-subject study, Stiffness Copilot achieved safety comparable to using a constant low stiffness while matching the efficiency of using a constant high stiffness.
- Abstract（参考訳）: 接触に富む操作タスクの遠隔操作では、ロボットインピーダンスの選択は重要であるが困難である。
ロボットは環境を損なうのを避けるためにコンプライアンスをしなければならないが、応答性を維持するために固く、必要に応じて力を加える必要がある。
本稿では,ロボットの姿勢を操作者が指示し,ロボットのインピーダンスをオンラインで調整する,共有制御遠隔操作のための視覚ベースのポリシーであるStiffness Copilotを提案する。
剛性コパイロットを訓練するために,我々はまず,特権接触情報を用いたシミュレーションにおいて,方向依存の剛性行列を推定する。
次に、これらの行列を用いて、手首カメラ画像からロボットの剛性を予測し、実行時にゼロショットを実際の画像に転送する軽量なビジョンポリシーを監督する。
人体実験において、剛性コパイロットは、一定の低剛性を使用しながら、一定の高剛性を使用する効率と同等の安全性を達成した。
関連論文リスト
- A Vision-Based Shared-Control Teleoperation Scheme for Controlling the Robotic Arm of a Four-Legged Robot [0.9699673328328621]
本研究は,視覚に基づくポーズ推定パイプラインを活用することで,直感的な遠隔操作を提案する。
このシステムはこれらの手首の動きをロボットアームのコマンドにマッピングし、ロボットの腕をリアルタイムで制御する。
軌道プランナは、障害物とロボットアーム自体との衝突を検出し防止することにより、安全な遠隔操作を保証する。
論文 参考訳（メタデータ） (2025-08-20T18:31:57Z) - 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) - Ground contact and reaction force sensing for linear policy control of quadruped robot [7.2916460705335995]
強化学習で訓練された直線的方針は、四足歩行を可能にするために適切に機能することが示されている。
地上接触と反応力のデータは、生存可能性の向上、外乱に対する安定性の向上、訓練されていない条件への適応性の向上で政策を訓練する。
論文 参考訳（メタデータ） (2025-03-03T02:04:55Z) - FACTR: Force-Attending Curriculum Training for Contact-Rich Policy Learning [70.65987250853311]
フォースフィードバックは、ほとんどのロボットアームで簡単に利用できるが、遠隔操作や政策学習では一般的には使われない。
本稿では,低コストで直感的で双方向な遠隔操作システムを提案し,従者アームの外部力を教師アームに伝える。
次に、FACTRというカリキュラムを利用した政策学習手法を導入し、学習を通して視覚入力を劣化させ、強度を低下させる。
論文 参考訳（メタデータ） (2025-02-24T18:59:07Z) - Built Different: Tactile Perception to Overcome Cross-Embodiment Capability Differences in Collaborative Manipulation [2.0318411357438086]
触覚が協調操作の文脈において,ロボットの実施形態の違いを橋渡しするのにどう役立つかを検討する。
本稿では,触覚センサと行動クローンを用いて,ロボットから非機能ロボットへポリシーを伝達するアプローチを提案する。
我々は,この正の移動を,力制御ロボットデータで訓練されたのと同じ方針を用いて,4種類の触覚対応エボディメントに示す。
論文 参考訳（メタデータ） (2024-09-23T10:45:41Z) - Learning Vision-based Pursuit-Evasion Robot Policies [54.52536214251999]
我々は、部分的に観察可能なロボットの監督を生成する完全観測可能なロボットポリシーを開発する。
我々は、RGB-Dカメラを搭載した4足歩行ロボットに、野生での追従回避のインタラクションにポリシーを展開させる。
論文 参考訳（メタデータ） (2023-08-30T17:59:05Z) - A Contact-Safe Reinforcement Learning Framework for Contact-Rich Robot
Manipulation [5.0768619194124005]
本稿では,コンタクトリッチロボット操作のためのコンタクトセーフ強化学習フレームワークを提案する。
RLポリシーがロボットアームと環境の予期せぬ衝突を引き起こすと、我々のフレームワークはすぐに衝突を検出し、接触力を小さくすることができる。
本手法は, 予期せぬ衝突のシナリオ下であっても, タスク空間とジョイント空間の両方で接触力を小さく抑えることができる。
論文 参考訳（メタデータ） (2022-07-27T10:35:44Z) - COCOI: Contact-aware Online Context Inference for Generalizable
Non-planar Pushing [87.7257446869134]
一般的なコンタクトリッチな操作問題は、ロボット工学における長年の課題である。
深層強化学習は、ロボット操作タスクの解決に大きな可能性を示している。
動的プロパティのコンテキスト埋め込みをオンラインにエンコードする深層RL法であるCOCOIを提案する。
論文 参考訳（メタデータ） (2020-11-23T08:20:21Z) - Sim2Real for Peg-Hole Insertion with Eye-in-Hand Camera [58.720142291102135]
シミュレーションを用いてペグホール挿入問題を学習し,学習したモデルを実ロボットに転送する。
本稿では,RGB-Dとジョイント情報(プロレセプション)のみを取り入れたトランスファーポリシーが,実際のロボットに対して良好に動作することを示す。
論文 参考訳（メタデータ） (2020-05-29T05:58:54Z) - 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。