論文の概要: Wiggle and Go! System Identification for Zero-Shot Dynamic Rope Manipulation

• arxiv url: http://arxiv.org/abs/2604.22102v1
• Date: Thu, 23 Apr 2026 22:17:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-27 15:36:26.284052
• Title: Wiggle and Go! System Identification for Zero-Shot Dynamic Rope Manipulation
• Title（参考訳）: ゼロショット動翼マニピュレーションのためのシステム同定
• Authors: Arthur Jakobsson, Abhinav Mahajan, Karthik Pullalarevu, Krishna Suresh, Yunchao Yao, Yuemin Mao, Bardienus Duisterhof, Shahram Najam Syed, Jeffrey Ichnowski,
• Abstract要約: そこで本研究では,学習前のシミュレーションを利用して,目標条件付きロープの動的操作を通知する手法を提案する。 ゼロショットタスクロープ操作を可能にするシステム識別2段階フレームワークであるWiggle and Go!を紹介する。
• 参考スコア（独自算出の注目度）: 5.816977440415847
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many robotic tasks are unforgiving; a single mistake in a dynamic throw can lead to unacceptable delays or unrecoverable failure. To mitigate this, we present a novel approach that leverages learned simulation priors to inform goal-conditioned dynamic manipulation of ropes for efficient and accurate task execution. Related methods for dynamic rope manipulation either require large real-world datasets to estimate rope behavior or the use of iterative improvements on attempts at the task for goal completion. We introduce Wiggle and Go!, a system-identification, two-stage framework that enables zero-shot task rope manipulation. The framework consists of a system identification module that observes rope movement to predict descriptive physical parameters, which then informs an optimization method for goal-conditioned action prediction for the robot to execute zero-shot in the real. Our method achieves strong performance across multiple dynamic manipulation tasks enabled by the same task-agnostic system identification module which offers seamless switching between different manipulation tasks, allowing a single model to support a diverse array of manipulation policies. We achieve a 3.55 cm average accuracy on 3D target striking in real using rope system parameters in comparison to 15.34 cm accuracy when our task model is not system-parameter-informed. We achieve a Pearson correlation coefficient of 0.95 between Fourier frequencies of the predicted and real ropes on an unseen trajectory. Project website please see https://wiggleandgo.github.io/
• Abstract（参考訳）: ダイナミックスローの1つのミスは、許容できない遅延や発見できない失敗につながる可能性がある。 そこで本研究では,学習前のシミュレーションを利用して,目標条件付きロープの動的操作を効果的かつ正確なタスク実行のために通知する手法を提案する。 動的ロープ操作の関連手法は、ロープの挙動を推定するために大規模な実世界のデータセットを必要とするか、目標達成のためのタスクにおける試みに反復的に改良を加えるかのいずれかである。 ゼロショットタスクロープ操作を可能にするシステム識別2段階フレームワークであるWiggle and Go!を紹介する。 このフレームワークは、ロープの動きを観察して記述的物理パラメータを予測するシステム識別モジュールからなり、ロボットがリアルタイムでゼロショットを実行するための目標条件の動作予測の最適化方法を通知する。 本手法は,複数の動的操作タスクに対して,異なる操作タスク間のシームレスな切り替えが可能な同一タスク非依存のシステム識別モジュールにより,複数の動的操作タスクに対して高い性能を実現する。 課題モデルがシステムパラメータインフォームされていない場合, 実際のロープシステムパラメータを用いて, 平均3.55cmの精度を平均15.34cmの精度と比較した。 我々は、予測された実ロープのフーリエ周波数と、目に見えない軌道上の実ロープとのピアソン相関係数 0.95 を達成する。 プロジェクトのWebサイトはhttps://wiggleandgo.github.io/を参照してください。

関連論文リスト

• Learning Deformable Object Manipulation Using Task-Level Iterative Learning Control [0.0]
  本稿では,変形可能なオブジェクトを動的に操作するためのタスクレベル反復学習制御手法を提案する。 本研究では,この手法をフライング結び目と呼ばれる非平面ロープ操作タスクで実演する。
  論文  参考訳（メタデータ） (2026-02-24T19:13:25Z)
• Detect Anything via Next Point Prediction [51.55967987350882]
  Rex-Omniは最先端の物体認識性能を実現する3BスケールのMLLMである。 COCOやLVISのようなベンチマークでは、Rex-Omniは回帰ベースのモデルに匹敵するパフォーマンスを得る。
  論文  参考訳（メタデータ） (2025-10-14T17:59:54Z)
• Action Flow Matching for Continual Robot Learning [54.10050120844738]
  ロボット工学における継続的な学習は、変化する環境やタスクに常に適応できるシステムを求める。 本稿では,オンラインロボット力学モデルアライメントのためのフローマッチングを利用した生成フレームワークを提案する。 ロボットは,不整合モデルで探索するのではなく,行動自体を変換することで,より効率的に情報収集を行う。
  論文  参考訳（メタデータ） (2025-04-25T16:26:15Z)
• Rethinking Bimanual Robotic Manipulation: Learning with Decoupled Interaction Framework [51.39847596489193]
  バイオマチックなロボット操作は、ロボティクスコミュニティにおいて、新しくて重要なトピックである。 本稿では,バイマニュアル操作における異なるタスクの特徴を考察した,疎結合なインタラクションフレームワークを提案する。 我々のフレームワークは,SOTA法よりも23.5%向上し,優れた性能を実現している。
  論文  参考訳（メタデータ） (2025-03-12T09:28:41Z)
• Learning Physics From Video: Unsupervised Physical Parameter Estimation for Continuous Dynamical Systems [49.11170948406405]
  本研究では,単一のビデオから既知の連続制御方程式の物理パラメータを推定する教師なし手法を提案する。 Delfys75は5種類の動的システムのための75本のビデオからなる実世界のデータセットだ。
  論文  参考訳（メタデータ） (2024-10-02T09:44:54Z)
• GenORM: Generalizable One-shot Rope Manipulation with Parameter-Aware Policy [22.965840244436777]
  GenORMは、操作ポリシーが1つの実世界のデモで異なる変形可能なロープを処理できるようにするフレームワークです。 新しいロープが与えられたとき、GenORMは、実世界の実演とシミュレーションの点雲の格子密度の差を最小限にして、変形可能なロープパラメータを推定する。 実世界のロープ操作のシミュレーションと実世界のロープ操作の実証実験により,本手法が一つの実演で異なるロープ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） (2023-06-14T03:37:55Z)
• Model-Based Visual Planning with Self-Supervised Functional Distances [104.83979811803466]
  モデルに基づく視覚的目標達成のための自己監視手法を提案する。 私たちのアプローチは、オフラインでラベルなしのデータを使って完全に学習します。 このアプローチは,モデルフリーとモデルベース先行手法の両方で大幅に性能が向上することがわかった。
  論文  参考訳（メタデータ） (2020-12-30T23:59:09Z)

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。