論文の概要: Learning-Guided Force-Feedback Model Predictive Control with Obstacle Avoidance for Robotic Deburring
- arxiv url: http://arxiv.org/abs/2604.06133v1
- Date: Tue, 07 Apr 2026 17:43:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-08 17:42:09.97345
- Title: Learning-Guided Force-Feedback Model Predictive Control with Obstacle Avoidance for Robotic Deburring
- Title（参考訳）: ロボットデバリングのための障害物回避型学習誘導力フィードバックモデル予測制御
- Authors: Krzysztof Wojciechowski, Ege Gursoy, Arthur Haffemayer, Sebastien Kleff, Vincent Bonnet, Florent Lamiraux, Nicolas Mansard,
- Abstract要約: 特にデバリングには、正確な工具挿入、安定した力調節、衝突のない円運動が必要である。
本稿では,これらの課題に対処するために,力覚フィードバックMPCと拡散に基づく動きを統合化するためのフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 5.6561185194861565
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Model Predictive Control (MPC) is widely used for torque-controlled robots, but classical formulations often neglect real-time force feedback and struggle with contact-rich industrial tasks under collision constraints. Deburring in particular requires precise tool insertion, stable force regulation, and collision-free circular motions in challenging configurations, which exceeds the capability of standard MPC pipelines. We propose a framework that integrates force-feedback MPC with diffusion-based motion priors to address these challenges. The diffusion model serves as a memory of motion strategies, providing robust initialization and adaptation across multiple task instances, while MPC ensures safe execution with explicit force tracking, torque feasibility, and collision avoidance. We validate our approach on a torque-controlled manipulator performing industrial deburring tasks. Experiments demonstrate reliable tool insertion, accurate normal force tracking, and circular deburring motions even in hard-to-reach configurations and under obstacle constraints. To our knowledge, this is the first integration of diffusion motion priors with force-feedback MPC for collision-aware, contact-rich industrial tasks.
- Abstract（参考訳）: モデル予測制御(MPC)はトルク制御ロボットに広く用いられているが、古典的な定式化ではリアルタイムの力フィードバックを無視することが多く、衝突制約下では接触に富む産業タスクに苦労する。
特にデバリングには、標準的なMPCパイプラインの能力を超えた、正確なツール挿入、安定した力規制、挑戦的な構成での衝突のない円運動が必要である。
本稿では,これらの課題に対処するために,力覚フィードバックMPCと拡散に基づく動きを統合化するためのフレームワークを提案する。
拡散モデルは運動戦略の記憶として機能し、複数のタスクインスタンスに対して堅牢な初期化と適応を提供する一方、MPCは明示的な力追跡、トルクの実現性、衝突回避による安全な実行を保証する。
産業デバリング作業を行うトルク制御マニピュレータへのアプローチを検証する。
実験では、信頼性の高いツール挿入、正確な正規力追跡、および難解な構成や障害物制約下での円形のデバリング動作が示されている。
我々の知る限り、これは衝突に敏感で接触に富んだ産業タスクのための力フィードバック型MPCと拡散運動先行の初めての統合である。
関連論文リスト
- PCHC: Enabling Preference Conditioned Humanoid Control via Multi-Objective Reinforcement Learning [50.63196995993855]
多目的強化学習(MORL)を活用してPCHC(Preference-Conditioned Humanoid Control)を実現する新しいフレームワークを提案する。
当社のフレームワークは、単一の嗜好条件のポリシーを多種多様な行動を示すために有効である。
論文 参考訳（メタデータ） (2026-03-25T07:55:37Z) - A Closed-Form CLF-CBF Controller for Whole-Body Continuum Soft Robot Collision Avoidance [45.63674336069651]
ソフト連続マニピュレータは機械的コンプライアンスを通じて受動的安全性を提供する。
サンプリングベースの計画のような既存のアプローチは、しばしば計算コストが高く、正式な安全保証がない。
本稿では,リアルタイム3次元障害物回避のための閉形式制御リャプノフ関数-制御バリア関数(CLF-CBF)について述べる。
論文 参考訳（メタデータ） (2026-03-19T19:34:49Z) - ULTRA: Unified Multimodal Control for Autonomous Humanoid Whole-Body Loco-Manipulation [55.467742403416175]
本稿では,大規模モーションキャプチャをヒューマノイドに変換する物理駆動型ニューラルネットワークを提案する。
我々は高密度参照とスパースタスク仕様の両方をサポートする統合マルチモーダルコントローラを学習する。
その結果,ULTRAは自我中心の知覚から,自律的,目標条件付き全体ロコ操作に一般化することが示された。
論文 参考訳（メタデータ） (2026-03-03T18:59:29Z) - Warm-Starting Collision-Free Model Predictive Control With Object-Centric Diffusion [38.363402738466334]
拡散型ウォームスタート条件と潜時オブジェクト中心のシーン表現を組み合わせることで、厳密な時間制限下での信頼性と効率的な動き生成が得られることを示す。
提案手法では,オブジェクト中心のスロットアテンション機構を用いて,システム状態,タスク,周囲に拡散トランスフォーマを設定できる。
サンプル軌道は、剛体力学と符号-距離衝突制約を強制する最適制御問題によって洗練される。
論文 参考訳（メタデータ） (2026-01-06T10:02:54Z) - CHIP: Adaptive Compliance for Humanoid Control through Hindsight Perturbation [70.5382178207975]
hIsight Perturbation (CHIP)は、制御可能なエンドエフェクタ剛性を実現するプラグイン・アンド・プレイモジュールである。
CHIPの実装は簡単で、データ拡張も追加の報酬チューニングも必要ありません。
そこで本研究では,CHIPでトレーニングした汎用モーショントラッキングコントローラが,多種多様な操作タスクを実行できることを示す。
論文 参考訳（メタデータ） (2025-12-16T18:56:04Z) - Learning Diffusion Policies from Demonstrations For Compliant Contact-rich Manipulation [5.1245307851495]
本稿では,DIPCOM(Diffusion Policies for Compliant Manipulation)を提案する。
生成拡散モデルを活用することで、カルト効果のポーズを予測し、腕の硬さを調整し、必要な力を維持できる政策を開発する。
提案手法は,マルチモーダル分布モデリングによる力制御を強化し,コンプライアンス制御における拡散ポリシの統合を改善し,実世界のタスクにおいてその効果を示すことによって,これまでの作業を拡張する。
論文 参考訳（メタデータ） (2024-10-25T00:56:15Z) - Integrating DeepRL with Robust Low-Level Control in Robotic Manipulators for Non-Repetitive Reaching Tasks [0.24578723416255746]
ロボット工学では、現代の戦略は学習に基づくもので、複雑なブラックボックスの性質と解釈可能性の欠如が特徴である。
本稿では, 深部強化学習(DRL)に基づく衝突のない軌道プランナと, 自動調整型低レベル制御戦略を統合することを提案する。
論文 参考訳（メタデータ） (2024-02-04T15:54:03Z) - 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) - 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) - Goal-Conditioned End-to-End Visuomotor Control for Versatile Skill
Primitives [89.34229413345541]
本稿では,制御器とその条件をエンドツーエンドに学習することで,落とし穴を回避する条件付け手法を提案する。
本モデルでは,ロボットの動きのダイナミックな画像表現に基づいて,複雑な動作シーケンスを予測する。
代表的MPCおよびILベースラインに対するタスク成功の大幅な改善を報告した。
論文 参考訳（メタデータ） (2020-03-19T15:04:37Z)
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。