論文の概要: Rapid Adaptation of Particle Dynamics for Generalized Deformable Object Mobile Manipulation

• arxiv url: http://arxiv.org/abs/2603.18246v1
• Date: Wed, 18 Mar 2026 20:09:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-21 18:33:56.962753
• Title: Rapid Adaptation of Particle Dynamics for Generalized Deformable Object Mobile Manipulation
• Title（参考訳）: 一般化変形性物体移動マニピュレーションのための粒子動力学の迅速適応
• Authors: Bohan Wu, Roberto Martín-Martín, Li Fei-Fei,
• Abstract要約: 変形可能な物体を未知のダイナミクスで操作する学習の課題に対処する。 脚と手動の剛体操作のような他のロボット領域では、最先端のアプローチは未知のダイナミクスを扱うことができる。 実ロボット変形可能なオブジェクト移動操作を学習する2相法であるRAPiDを開発した。
• 参考スコア（独自算出の注目度）: 25.501392381801825
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We address the challenge of learning to manipulate deformable objects with unknown dynamics. In non-rigid objects, the dynamics parameters define how they react to interactions -- how they stretch, bend, compress, and move -- and they are critical to determining the optimal actions to perform a manipulation task successfully. In other robotic domains, such as legged locomotion and in-hand rigid object manipulation, state-of-the-art approaches can handle unknown dynamics using Rapid Motor Adaptation (RMA). Through a supervised procedure in simulation that encodes each rigid object's dynamics, such as mass and position, these approaches learn a policy that conditions actions on a vector of latent dynamic parameters inferred from sequences of state-actions. However, in deformable object manipulation, the object's dynamics not only includes its mass and position, but also how the shape of the object changes. Our key insight is that the recent ground-truth particle positions of a deformable object in simulation capture changes in the object's shape, making it possible to extend RMA to deformable object manipulation. This key insight allows us to develop RAPiD, a two-phase method that learns to perform real-robot deformable object mobile manipulation by: 1) learning a visuomotor policy conditioned on the object's dynamics embedding, which is encoded from the object's privileged information in simulation, such as its mass and ground-truth particle positions, and 2) learning to infer this embedding using non-privileged information instead, such as robot visual observations and actions, so that the learned policy can transfer to the real world. On a mobile manipulator with 22 degrees of freedom, RAPiD enables over 80%+ success rates across two vision-based deformable object mobile manipulation tasks in the real world, under various object dynamics, categories, and instances.
• Abstract（参考訳）: 変形可能な物体を未知のダイナミクスで操作する学習の課題に対処する。 非厳密なオブジェクトでは、動的パラメータは、どのように相互作用に反応するかを定義する。 足の移動や手動の剛体操作のような他のロボット領域では、最先端のアプローチはラピッドモーター適応(Rapid Motor Adaptation, RMA)を用いて未知のダイナミクスを扱うことができる。 これらの手法は、質量や位置などの剛体の力学を符号化するシミュレーションにおける教師あり手順を通じて、状態-作用の列から推測される潜在動的パラメータのベクトル上での作用を条件付けるポリシーを学ぶ。 しかし、変形可能な物体操作では、物体の力学はその質量と位置だけでなく、物体の形状がどのように変化するかも含んでいる。 我々の重要な洞察は、物体の形状の変化をとらえるシミュレーションにおいて、変形可能な物体の最近の地中構造粒子の位置は、変形可能な物体の操作にRMAを拡張することができるということである。 このキーとなる洞察は、実ロボットで変形可能なオブジェクト移動操作を学習する2相法であるRAPiDの開発を可能にする。 1) 物体の動的埋め込みを前提とした振動子ポリシーの学習 : 物体の質量や地表面の粒子位置などのシミュレーションにおいて、物体の特権情報から符号化される 2)ロボットの視覚的観察や行動などの非特権情報を用いて,この埋め込みを推論し,学習方針を現実世界に伝達する。 22自由度を持つ移動マニピュレータでは、RAPiDは、様々なオブジェクトダイナミクス、カテゴリ、インスタンスの下で、2つの視覚ベースの変形可能なオブジェクト移動操作タスクに対して80%以上の成功率を実現している。

関連論文リスト

• DynaRend: Learning 3D Dynamics via Masked Future Rendering for Robotic Manipulation [52.136378691610524]
  本稿では、3次元認識と動的インフォームド三面体特徴を学習する表現学習フレームワークDynaRendを紹介する。 マルチビューRGB-Dビデオデータに基づく事前トレーニングにより、DynaRendは空間幾何学、将来のダイナミクス、タスク意味を統合された三面体表現で共同でキャプチャする。 我々は、RLBenchとColosseumという2つの挑戦的なベンチマークでDynaRendを評価し、政策成功率、環境摂動の一般化、様々な操作タスクにおける実世界の適用性などを大幅に改善した。
  論文  参考訳（メタデータ） (2025-10-28T10:17:11Z)
• Dynamic Manipulation of Deformable Objects in 3D: Simulation, Benchmark and Learning Strategy [88.8665000676562]
  従来の手法は、しばしば問題を低速または2D設定に単純化し、現実の3Dタスクに適用性を制限する。 データ不足を軽減するため、新しいシミュレーションフレームワークと、低次ダイナミクスに基づくベンチマークを導入する。 本研究では,シミュレーション前トレーニングと物理インフォームドテスト時間適応を統合するフレームワークであるDynamics Informed Diffusion Policy (DIDP)を提案する。
  論文  参考訳（メタデータ） (2025-05-23T03:28:25Z)
• Controllable Human-Object Interaction Synthesis [77.56877961681462]
  本研究では,3次元シーンにおける同期物体の動きと人間の動きを生成するための制御可能な人間-物体相互作用合成(CHOIS)を提案する。 ここでは,高レベルな計画から効果的に抽出できるスタイルや意図を言語記述が通知し,シーン内の動きをグラウンド化する。 我々のモジュールは経路計画モジュールとシームレスに統合され、3D環境における長期的相互作用の生成を可能にします。
  論文  参考訳（メタデータ） (2023-12-06T21:14:20Z)
• Learning Extrinsic Dexterity with Parameterized Manipulation Primitives [8.7221770019454]
  我々は、オブジェクトのポーズを変えるために環境を利用する一連のアクションを学習する。 我々のアプローチは、オブジェクトとグリップと環境の間の相互作用を利用してオブジェクトの状態を制御することができる。 拘束されたテーブルトップワークスペースから様々な重量,形状,摩擦特性の箱状物体を選別する手法の評価を行った。
  論文  参考訳（メタデータ） (2023-10-26T21:28:23Z)
• GenDOM: Generalizable One-shot Deformable Object Manipulation with Parameter-Aware Policy [22.965840244436777]
  我々は,1つの実世界の実演だけで異なる変形可能なオブジェクトを操作できるフレームワークであるGenDOMを紹介した。 新しいオブジェクトが推測されると、GenDOMは1つの実世界のデモだけで変形可能なオブジェクトパラメータを推定できる。 シミュレーションおよび実世界のオブジェクト操作設定の実証検証により,本手法が一つの実演で異なるオブジェクト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） (2023-09-16T17:18:23Z)
• ACID: Action-Conditional Implicit Visual Dynamics for Deformable Object Manipulation [135.10594078615952]
  本稿では,体積変形可能なオブジェクトに対する動作条件の視覚力学モデルであるACIDを紹介する。 ベンチマークには17,000以上のアクション・トラジェクトリー、6種類のぬいぐるみと78種類の変種が含まれている。 我々のモデルは、幾何学、対応、力学の予測において最高の性能を達成する。
  論文  参考訳（メタデータ） (2022-03-14T04:56:55Z)
• A Bayesian Treatment of Real-to-Sim for Deformable Object Manipulation [59.29922697476789]
  本稿では,変形可能な物体の状態を分布埋め込みとして表現する手法を用いて,画像列から状態情報を抽出する手法を提案する。 実験により, 弾性, 摩擦, スケールなどの物性の後方分布を, 布やロープなどの高変形性物体で推定できることが確認された。
  論文  参考訳（メタデータ） (2021-12-09T17:50:54Z)
• Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
  本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。 連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。 我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
  論文  参考訳（メタデータ） (2021-11-15T18:50:04Z)
• Articulated Object Interaction in Unknown Scenes with Whole-Body Mobile Manipulation [16.79185733369416]
  未知の環境下における大型関節オブジェクトとの自律的相互作用のための2段階アーキテクチャを提案する。 第1段階は学習モデルを用いて、RGB-D入力から対象物の調音モデルを推定し、相互作用のための状態の動作条件列を予測する。 第2段階は、生成した運動計画に沿ってオブジェクトを操作する全身運動制御装置からなる。
  論文  参考訳（メタデータ） (2021-03-18T21:32:18Z)

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。