論文の概要: DecompGrind: A Decomposition Framework for Robotic Grinding via Cutting-Surface Planning and Contact-Force Adaptation
- arxiv url: http://arxiv.org/abs/2603.22859v2
- Date: Mon, 30 Mar 2026 03:45:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-31 13:48:18.792618
- Title: DecompGrind: A Decomposition Framework for Robotic Grinding via Cutting-Surface Planning and Contact-Force Adaptation
- Title（参考訳）: DecompGrind: 切削面計画と接触力適応によるロボット研削の分解フレームワーク
- Authors: Shunsuke Araki, Takumi Hachimine, Yuki Saito, Kouhei Ohnishi, Jun Morimoto, Takamitsu Matsubara,
- Abstract要約: Decompは、Global Cutting-Surface-Planning (CFAG)とLocal Contact-Force Adaptation (L GCSP)を組み合わせたロボット研削システムである。
CFAGは電流およびターゲット形状の計画解析により除去形状を決定する一方、Lは学習せずに接触力適応を学習する。
実験では、安全な接触レベルを維持しながら、異なる形状と材料硬度を用いて効率的なロボット研削を実証した。
- 参考スコア（独自算出の注目度）: 7.397802250170329
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Robotic grinding is widely used for shaping workpieces in manufacturing, but it remains difficult to automate this process efficiently. In particular, efficiently grinding workpieces of different shapes and material hardness is challenging because removal resistance varies with local contact conditions. Moreover, it is difficult to achieve accurate estimation of removal resistance and analytical modeling of shape transition, and learning-based approaches often require large amounts of training data to cover diverse processing conditions. To address these challenges, we decompose robotic grinding into two components: removal-shape planning and contact-force adaptation. Based on this formulation, we propose DecompGrind, a framework that combines Global Cutting-Surface Planning (GCSP) and Local Contact-Force Adaptation (LCFA). GCSP determines removal shapes through geometric analysis of the current and target shapes without learning, while LCFA learns a contact-force adaptation policy using bilateral control-based imitation learning during the grinding of each removal shape. This decomposition restricts learning to local contact-force adaptation, allowing the policy to be learned from a small number of demonstrations, while handling global shape transition geometrically. Experiments using a robotic grinding system and 3D-printed workpieces demonstrate efficient robotic grinding of workpieces having different shapes and material hardness while maintaining safe levels of contact force.
- Abstract（参考訳）: ロボット研削は、製造工程における加工品の成形に広く用いられているが、この工程を効率的に自動化することは困難である。
特に, 局所接触条件によって除去抵抗が変化するため, 異なる形状, 材料硬さのワークピースを効率よく研削することは困難である。
さらに、除去抵抗の正確な推定や形状遷移の解析的モデリングは困難であり、学習に基づくアプローチでは、多種多様な処理条件をカバーするために、大量のトレーニングデータを必要とすることが多い。
これらの課題に対処するため、ロボット研削を除去形状計画と接触力適応の2つの構成要素に分解する。
この定式化に基づいて,GCSP(Global Cutting-Surface Planning)とLCFA(Local Contact-Force Adaptation)を組み合わせたDecompGrindを提案する。
LCFAは、各除去形状の研削中に両側制御に基づく模倣学習を用いて接触力適応ポリシーを学習する一方、GCSPは、学習せずに電流およびターゲット形状の幾何学的解析により除去形状を決定する。
この分解は、学習を局所的な接触力適応に制限し、グローバルな形状遷移を幾何学的に扱いながら、少数のデモンストレーションからポリシーを学ぶことができる。
ロボット研削システムと3Dプリント工芸品を用いた実験は、安全レベルの接触力を維持しつつ、形状や材料硬さの異なる作業品の効率的なロボット研削を実証している。
関連論文リスト
- Self-Curriculum Model-based Reinforcement Learning for Shape Control of Deformable Linear Objects [12.159491219171905]
強化学習とオンラインビジュアルサーボを組み合わせた2段階のフレームワークを提案する。
大規模化の段階では,サンプル効率を大幅に向上させるモデルに基づく強化学習手法が導入された。
小変形段階では、高精度収束を保証するためにヤコビアンベースのビジュアルサーボコントローラが配置される。
論文 参考訳（メタデータ） (2026-02-25T11:44:15Z) - Unified Complementarity-Based Contact Modeling and Planning for Soft Robots [13.597188299981312]
本稿では,ソフトロボット接触モデリングと計画のための統合補完性に基づくフレームワークを提案する。
我々は,識別ソフトロボットに適した頑健な線形補完性問題 (LCP) モデルを開発した。
また,接触による動的軌道最適化を可能にする,キネマティック・ガイド付きウォームスタート戦略を導入する。
論文 参考訳（メタデータ） (2026-02-24T19:37:36Z) - Semantic-Contact Fields for Category-Level Generalizable Tactile Tool Manipulation [82.63833405368159]
ツール操作の一般化には、セマンティックプランニングと正確な物理的制御の両方が必要である。
本研究では,密接な接触推定を伴う視覚的意味論を融合した3次元表現であるセマンティック・コンタクト・フィールド(SCFields)を提案する。
スクレイピング、クレヨン描画、剥離の実験は、堅牢なカテゴリレベルの一般化を示している。
論文 参考訳（メタデータ） (2026-02-14T16:05:08Z) - CulinaryCut-VLAP: A Vision-Language-Action-Physics Framework for Food Cutting via a Force-Aware Material Point Method [15.122135076461978]
本稿では,視覚言語アクション(VLA)データセットと物質点法(MPM)に基づく物理的に現実的な切削シミュレータを結合した統合フレームワークを提案する。
我々のシミュレータはMLS-MPMを計算コアとして採用し、トポロジー変化によるカットでも回転・せん断応答を保ちながら、数値散逸とエネルギードリフトを低減する。
また、多様な切断軌跡、多視点視覚観察、きめ細かい言語命令を統合するベンチマークデータセットも提供する。
論文 参考訳（メタデータ） (2026-01-10T06:35:25Z) - Adaptive Digital Twin of Sheet Metal Forming via Proper Orthogonal Decomposition-Based Koopman Operator with Model Predictive Control [14.54038067557375]
デジタルツイン(DT)技術は、複雑なプロセスのリアルタイム予測、監視、制御を可能にすることで製造を変革している。
本研究では,物理認識次元減少のための適切な直交分解(POD)を統合する適応DTフレームワークを提案する。
リアルタイムに演算子係数を更新するために、オンライン再帰最小平方法(RLS)アルゴリズムを導入し、DTモデルの連続的な適応を可能にする。
論文 参考訳（メタデータ） (2025-11-13T23:24:17Z) - 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) - Flatten Anything: Unsupervised Neural Surface Parameterization [76.4422287292541]
本研究では,FAM(Flatten Anything Model)を導入し,グローバルな自由境界面パラメータ化を実現する。
従来の手法と比較して,FAMは接続情報を活用することなく,個別の面上で直接動作する。
当社のFAMは前処理を必要とせずに完全に自動化されており,高度に複雑なトポロジを扱うことができる。
論文 参考訳（メタデータ） (2024-05-23T14:39:52Z) - Twisting Lids Off with Two Hands [82.21668778600414]
シミュレーションで訓練された政策を実世界へ効果的かつ効率的に移行する方法を示す。
具体的には,ボトル状物体の蓋を両手でねじる問題について考察する。
これは、バイマガル・マルチフィンガーハンドでそのような機能を実現する最初のsim-to-real RLシステムである。
論文 参考訳（メタデータ） (2024-03-04T18:59:30Z) - Transolver: A Fast Transformer Solver for PDEs on General Geometries [66.82060415622871]
本稿では, 離散化された測地の背後に隠れた本質的な物理状態を学習するTransolverについて述べる。
スライスから符号化された物理認識トークンに注意を向けることで、Transovlerは複雑な物理的相関を効果的に捉えることができる。
Transolverは6つの標準ベンチマークで22%の相対的な利得で一貫した最先端を実現し、大規模産業シミュレーションでも優れている。
論文 参考訳（メタデータ） (2024-02-04T06:37:38Z) - Robotic Handling of Compliant Food Objects by Robust Learning from
Demonstration [79.76009817889397]
本稿では,食品に適合する物体をロボットで把握する上で,実証からの学習(LfD)に基づく頑健な学習方針を提案する。
教師の意図した方針を推定し,無矛盾な実演を自動的に除去するLfD学習ポリシーを提案する。
提案されたアプローチは、前述の業界セクターで幅広い応用が期待できる。
論文 参考訳（メタデータ） (2023-09-22T13:30:26Z)
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。