論文の概要: Learning Controlled Separation of Small Objects Between Two Fingers with a Tactile Skin

• arxiv url: http://arxiv.org/abs/2605.31486v1
• Date: Fri, 29 May 2026 16:08:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.728611
• Title: Learning Controlled Separation of Small Objects Between Two Fingers with a Tactile Skin
• Title（参考訳）: 触覚を有する2つの指間の小物体分離の学習
• Abstract要約: 多目的ロボットハンドの2本の指による小物体の分離制御という,新たな課題を紹介し,解決する。 物体は指の幅よりも小さいが、絶対的な意味でも小さい。 本研究は,指先で空間分解した触覚皮膚を用いて,純粋に触覚(視力のない)を行うことができることを示す。
• 参考スコア（独自算出の注目度）: 1.5469452301122173
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce and solve the novel task of controlled separation of small objects with two fingers of a multi-purpose robotic hand: after grasping into a box of small objects, the task is to drop as many of them until a desired number remains between the fingers. The objects are small compared to the width of the fingers but also in absolute terms. In our case little pellets with a diameter of only 6mm are handled. We show that the task can be performed purely tactile (no vision) using a spatially-resolved tactile skin on a fingertip. The separation policy is trained in simulation via reinforcement learning using a straightforward sparse reward, which basically checks if the desired number of objects is reached. In simulation experiments, we provide an exhaustive analysis of the benefits of using spatially-resolved tactile feedback: while an ideal (high-resolution) tactile sensor allows solving the task almost perfectly, a sensor with lower spatial resolution (here 4x4 taxels) still leads to an improvement of up to 20% compared to using only the fingers' joint sensors. For this analysis, we further train an estimator alongside the policy that predicts the ground truth contact positions. Finally, we demonstrate the successful sim-to-real transfer for the DLR-Hand II equipped with a tactile skin.
• Abstract（参考訳）: 多目的ロボットハンドの2本の指で小物体を分離制御する新しいタスクを紹介し,その課題について述べる。 物体は指の幅よりも小さいが、絶対的な意味でも小さい。 径6mmのペレットは少ない。 本研究は,指先で空間分解した触覚皮膚を用いて,純粋に触覚(視力のない)を行うことができることを示す。 分離ポリシーは、単純なスパース報酬を使って強化学習を通じてシミュレーションで訓練される。 シミュレーション実験では, 触覚フィードバックを用いた場合の利点を徹底的に分析し, 理想的な(高解像度)触覚センサがほぼ完璧にタスクを解くことができる一方で, 空間分解能の低いセンサー(4x4タクテル)は, 指の関節センサのみを使用する場合に比べて最大20%改善する。 そこで本研究では,地上の真理接触位置を予測する政策とともに,推定器をさらに訓練する。 最後に,触覚皮膚を装着したDLR-Hand IIのSim-to-realトランスファーに成功したことを実証した。

関連論文リスト

• Bench2Dex: Benchmarking Visuo-Tactile Bimanual Dexterous Manipulation Across Dexterous Hands [99.00248904465089]
  指の構造、接触面、センサーレイアウトが異なる。 本報告では,12手にわたるバイスオタクティルバイマニュアル操作のシミュレーションベンチマークであるBench2Dexについて述べる。
  論文  参考訳（メタデータ） (2026-09-14T15:22:59Z)
• Tactile Genesis: Exploring Tactile Sensors at Scale for Learning Dexterous Tasks [24.65662960423158]
  本稿では,GPU並列触覚センサシミュレーションプラットフォームであるTactile Genesisを紹介する。 二点接触、接触深度、タキセル毎の力/トルク、エラストマーマーカーの変位、幾何学的に認識された近接、接触音、およびボキセル化温度場を露呈する。 従来の触覚シミュレータに比べて3～20倍のスループット向上を実現している。
  論文  参考訳（メタデータ） (2026-06-21T04:49:03Z)
• Blind Dexterous Grasping via Real2Sim2Real Tactile Policy Learning [6.509572742369941]
  触覚のみのブラインドグリップのためのフレームワークを提案する。 本研究では,実際の触覚信号を再現可能な接触校正型デジタル双極子シミュレータを構築するReal2Sim触覚校正パイプラインを提案する。 第2に,センサ・ジオメトリを組み込んだレイアウト認識型触覚エンコーダによる触覚観察の表現性を,自己教師付き事前学習により改善する。 第3に、未確認物体への一般化を改善するため、校正されたシミュレーターにおいて、オブジェクト固有の強化学習の専門家を訓練し、得られた把握軌道を触覚条件付き拡散ポリシーに集約する。
  論文  参考訳（メタデータ） (2026-06-10T07:46:38Z)
• Multi-Resolution Tactile Imitation Learning for Contact-Rich Robotic Manipulation [22.015203192700586]
  異なる時間分解能で動作する複数の触覚センサを利用する表現フレームワークMiTaSを提案する。 MiTaSの平均成功率は80%であり、視覚のみ(31と視覚触覚(54のベースラインではタスクを確実に解決できない)である。 詳細なセンサ読み取りと注意分析により、タスクの実行を通して異なるセンサーの重要性が明らかになる。
  論文  参考訳（メタデータ） (2026-06-04T15:23:03Z)
• Neural feels with neural fields: Visuo-tactile perception for in-hand manipulation [57.60490773016364]
  マルチフィンガーハンドの視覚と触覚を組み合わせることで,手動操作時の物体の姿勢と形状を推定する。 提案手法であるNeuralFeelsは,ニューラルネットワークをオンラインで学習することでオブジェクトの形状を符号化し,ポーズグラフ問題を最適化して共同で追跡する。 私たちの結果は、タッチが少なくとも、洗練され、そして最も最良のものは、手動操作中に視覚的推定を曖昧にすることを示しています。
  論文  参考訳（メタデータ） (2023-12-20T22:36:37Z)
• Multimodal and Force-Matched Imitation Learning with a See-Through Visuotactile Sensor [14.492202828369127]
  我々は、模倣学習(IL)の枠組みの中でマルチモーダル・ビゾタクタクタブル・センサを活用して、コンタクトリッチなタスクを実行する。 本稿では,IL改善のための補完手法として,触覚力マッチングと学習モード切替という2つのアルゴリズム的貢献を紹介する。 以上の結果から, 力の一致が平均政策成功率62.5%, ビズオタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタク
  論文  参考訳（メタデータ） (2023-11-02T14:02:42Z)
• Rotating without Seeing: Towards In-hand Dexterity through Touch [43.87509744768282]
  本稿では,タッチデクスタリティ(Touch Dexterity)を提案する。 小さな領域で正確な触覚センサーに頼る代わりに、ロボットハンドの片側をオーバーレイする密度の高い二分力センサー(タッチまたはタッチなし)を用いた新しいシステム設計を導入する。 我々は,各種物体のシミュレーションに強化学習を用いて手動回転ポリシーを訓練する。タッチオンリーセンシングを応用して,実際のロボットの手で直接ポリシーを展開し,トレーニングで提示されていない新規物体を回転させることができる。
  論文  参考訳（メタデータ） (2023-03-20T05:38:30Z)
• Tactile-Filter: Interactive Tactile Perception for Part Mating [54.46221808805662]
  人間は触覚と触覚に頼っている。 視覚ベースの触覚センサーは、様々なロボット認識や制御タスクに広く利用されている。 本稿では,視覚に基づく触覚センサを用いた対話的知覚手法を提案する。
  論文  参考訳（メタデータ） (2023-03-10T16:27:37Z)
• Elastic Tactile Simulation Towards Tactile-Visual Perception [58.44106915440858]
  触覚シミュレーションのための粒子の弾性相互作用(EIP)を提案する。 EIPは、触覚センサを協調粒子群としてモデル化し、接触時の粒子の変形を制御するために弾性特性を適用した。 さらに,触覚データと視覚画像間の情報融合を可能にする触覚知覚ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-08-11T03:49:59Z)
• 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)
• The Feeling of Success: Does Touch Sensing Help Predict Grasp Outcomes? [57.366931129764815]
  両指にGelSight高解像度触覚センサを装着した2本指グリップを用いて,9000以上の握力試験を行った。 実験結果から,触覚を取り入れることで把握性能が著しく向上することが示唆された。
  論文  参考訳（メタデータ） (2017-10-16T05:32:38Z)

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。