論文の概要: High-Speed, Scalable Sensor Readout for Dexterous Robotic Hands via Shift-Register Multiplexing
- arxiv url: http://arxiv.org/abs/2605.01434v1
- Date: Sat, 02 May 2026 13:14:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-05 20:33:49.771229
- Title: High-Speed, Scalable Sensor Readout for Dexterous Robotic Hands via Shift-Register Multiplexing
- Title（参考訳）: シフトレジスト多重化によるデクサスハンドの高速かつスケーラブルなセンサ読み取り
- Authors: Jaehoon Kim, Lazaros Christoforidis, Michalis Papadakis, Victor Kartsch, Robert K. Katzschmann,
- Abstract要約: 有害なロボットハンドは、様々な自由度にわたって高速なマルチモーダルセンシングを必要とする。
本稿では,シリアルインパラレルアウト(SIPO)シフトレジスタの原理に基づく,スケーラブルなアナログセンサ読み取りアーキテクチャを提案する。
- 参考スコア（独自算出の注目度）: 7.263691957695453
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dexterous robotic hands require high-speed multimodal sensing across many degrees of freedom, yet existing readout architectures often impose trade-offs between sensor count, wiring complexity, and sampling bandwidth. This paper presents a scalable analog sensor readout architecture based on a serial-in parallel-out (SIPO) shift-register principle. The proposed architecture supports versatile integration of heterogeneous analog-output sensors, scalable expansion using only three signal lines between sensor modules, and fast, configurable sampling. We validate the approach on a tendon-driven robotic hand integrating 16 joint sensor modules and one four-channel tactile sensor module, enabling acquisition of 20 sensor channels at a full-scan rate of 1 kHz, with stable operation up to 1.5 kHz. Joint sensor characterization showed a maximum slope absolute percentage error (APE) of 0.446% and sub-degree estimation error, indicating that the proposed readout system does not significantly degrade sensing performance. For tactile sensing, LSTM-based models achieved an RMSE of 0.125 N for force estimation and 93.4% accuracy for five-class contact-location classification, and were deployed for real-time inference at 1 kHz. System-level experiments showed that the joint sensors provide more accurate feedback than motor-based estimation during interaction, while the tactile sensor enables responsive force estimation in contact. The proposed architecture offers a practical path toward fully sensorized robotic hands for dexterous manipulation.
- Abstract（参考訳）: 有害なロボットハンドは、様々な自由度で高速なマルチモーダルセンシングを必要とするが、既存のリードアウトアーキテクチャでは、センサー数、配線の複雑さ、サンプリング帯域幅のトレードオフをしばしば課している。
本稿では,シリアルインパラレルアウト(SIPO)シフトレジスタの原理に基づく,スケーラブルなアナログセンサ読み取りアーキテクチャを提案する。
提案アーキテクチャは、異種アナログ出力センサの汎用的な統合、センサモジュール間の信号線のみを用いたスケーラブルな拡張、高速で構成可能なサンプリングをサポートする。
16個のジョイントセンサーモジュールと1個の4チャンネル触覚センサモジュールを統合した腱駆動型ロボットハンドのアプローチを検証し,フルスキャンレート1kHzで20個のセンサチャネルの取得が可能で,1.5kHzまでの安定動作を実現した。
共同センサによる評価では,最大傾き絶対パーセンテージ誤差(APE)は0.446%,低次推定誤差は0。
触覚センシングでは、LSTMベースのモデルで力推定で0.125 N、五級接触位置分類で93.4%の精度でRMSEを達成し、1kHzのリアルタイム推論で展開された。
触覚センサは接触時のレスポンシブ力推定を可能にしているのに対し, システムレベルの実験では, 関節センサは相互作用中のモータベース推定よりも正確なフィードバックを提供することがわかった。
提案したアーキテクチャは、デクスタラスな操作を行うための、完全にセンサー化されたロボットハンドへの実践的なパスを提供する。
関連論文リスト
- UniForce: A Unified Latent Force Model for Robot Manipulation with Diverse Tactile Sensors [51.88112610411651]
そこで本研究では,多様な触覚センサにまたがる共用潜在力空間を学習する,新しい統合された触覚表現学習フレームワークを提案する。
UniForceは、逆ダイナミクス(image-to-force)とフォワードダイナミクス(force-to-image)を共同モデリングすることで、クロスセンサー領域シフトを低減する
高価な外部力/トルクセンサ(F/T)への依存を避けるため,静的平衡を利用して直接センサ・オブジェクト・センサ・インタラクションを介して力対効果データを収集する。
論文 参考訳（メタデータ） (2026-02-01T11:03:01Z) - A Foundation Model for Virtual Sensors [41.4965371110973]
既存の仮想センサアプローチでは、各センサに対して手入力のアプリケーション固有のモデルが必要である。
両方の制約に対処する仮想センサの最初の基礎モデルを紹介する。
我々のアーキテクチャは415倍の時間短縮と951倍のメモリ要求の削減を実現している。
論文 参考訳（メタデータ） (2026-01-28T14:17:46Z) - SMARTIES: Spectrum-Aware Multi-Sensor Auto-Encoder for Remote Sensing Images [17.304106221330414]
最近のディープラーニングモデルは、単一のセンサーや固定された組み合わせに特化していることが多い。
SMARTIESは、センサ依存/依存の取り組みを持ち上げる汎用的で汎用的な基礎モデルである。
多様なセンサーにまたがる単一タスクとマルチモーダルタスクにおいて、SMARTIESはセンサー固有の事前訓練に依存する以前のモデルより優れている。
論文 参考訳（メタデータ） (2025-06-24T12:51:39Z) - eFlesh: Highly customizable Magnetic Touch Sensing using Cut-Cell Microstructures [35.94440287795584]
eFleshセンサーの構築には,3Dプリンタ,既製の磁石,希望形状のCADモデル,磁力計回路基板の4つのコンポーネントしか必要としない。
本研究では,コンベックスOBJ/STLファイルを3Dプリント可能なSTLに変換するオープンソース設計ツールを提案する。
センサキャラクタリゼーション実験により,eFleshは0.5mmの接触局在RMSE,通常の力は0.27N,せん断力は0.12Nの力予測RMSEの能力を示した。
論文 参考訳（メタデータ） (2025-06-11T17:59:46Z) - Sensor-Invariant Tactile Representation [11.153753622913843]
高解像度触覚センサーは、知覚の具体化やロボット操作に欠かせないものとなっている。
この分野における重要な課題は、設計と製造のバリエーションによるセンサー間の伝達性の欠如である。
本稿では,光触覚センサ間のゼロショット転送を可能にする,SITR(Sensor-Invariant Tactile Representations)の抽出手法を提案する。
論文 参考訳（メタデータ） (2025-02-27T00:12:50Z) - MSSIDD: A Benchmark for Multi-Sensor Denoising [55.41612200877861]
我々は,マルチセンサSIDDデータセットという新しいベンチマークを導入する。これは,認知モデルのセンサ伝達性を評価するために設計された,最初の生ドメインデータセットである。
そこで本研究では,センサに不変な特徴を認知モデルで学習することのできるセンサ一貫性トレーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2024-11-18T13:32:59Z) - CAFuser: Condition-Aware Multimodal Fusion for Robust Semantic Perception of Driving Scenes [56.52618054240197]
本研究では,運転シーンのロバストな意味認識のための条件対応型マルチモーダル融合手法を提案する。
CAFuserは、RGBカメラ入力を用いて環境条件を分類し、コンディショントークンを生成する。
我々のモデルは、特に悪条件シナリオにおいて、ロバスト性と精度を著しく向上させる。
論文 参考訳（メタデータ） (2024-10-14T17:56:20Z) - Bayesian Imitation Learning for End-to-End Mobile Manipulation [80.47771322489422]
RGB + 深度カメラのような追加のセンサー入力によるポリシーの強化は、ロボットの知覚能力を改善するための簡単なアプローチである。
畳み込みニューラルネットワークを正規化するために変分情報ボトルネックを用いることで、保持領域への一般化が向上することを示す。
提案手法は, シミュレーションと現実のギャップを埋めることと, RGBと奥行き変調をうまく融合できることを実証する。
論文 参考訳（メタデータ） (2022-02-15T17:38:30Z) - SensiX++: Bringing MLOPs and Multi-tenant Model Serving to Sensory Edge
Devices [69.1412199244903]
エッジデバイス上でMLOpsを統合した,適応モデル実行のためのマルチテナントランタイムを提案する。
S SensiX++は、高度にモジュール化されたコンポーネント化と、明確な抽象化によるデータ操作の外部化と、システム全体のオーケストレーションのためのドキュメント中心の宣言という、2つの基本原則で運用されている。
SensiX++のさまざまな自動化コンポーネントの全体的なスループットと定量化メリットについて報告し、運用の複雑さを著しく低減し、エッジデバイスへの組み込みモデルのデプロイ、アップグレード、再構成、提供の労力を削減する効果を実証する。
論文 参考訳（メタデータ） (2021-09-08T22:06:16Z) - OmniTact: A Multi-Directional High Resolution Touch Sensor [109.28703530853542]
既存の触覚センサーは、平らで、感度が小さいか、低解像度の信号のみを提供する。
我々は,多方向高解像度触覚センサOmniTactを紹介する。
我々は,ロボット制御の課題に対して,OmniTactの能力を評価する。
論文 参考訳（メタデータ） (2020-03-16T01:31:29Z)
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。