論文の概要: DLO-Lab: Benchmarking Deformable Linear Object Manipulations with Differentiable Physics

• arxiv url: http://arxiv.org/abs/2606.04206v1
• Date: Tue, 02 Jun 2026 20:49:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.378978
• Title: DLO-Lab: Benchmarking Deformable Linear Object Manipulations with Differentiable Physics
• Title（参考訳）: DLO-Lab: 微分物理学による変形可能な線形物体操作のベンチマーク
• Authors: Junyi Cao, Yian Wang, Ziyan Xiong, Chunru Lin, Zhehuan Chen, Chuang Gan,
• Abstract要約: そこで本研究では,多目的DLO操作用に設計された微分可能シミュレータを提案する。 我々のシミュレーターは、拡張性、弾力性、曲げ塑性、複雑な相互作用を含む幅広い材料特性をモデル化する。 DLO操作の独特な課題を浮き彫りにする代表的なタスクのベンチマークスイートを提案する。
• 参考スコア（独自算出の注目度）: 30.589042316457093
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We address the challenge of enabling robots to manipulate deformable linear objects (DLOs), such as ropes, cables, and rubber bands. Prior work has primarily focused on narrow, task-specific problems, often relying on real-world demonstrations or handcrafted heuristics. Such approaches, however, struggle to scale to the wide variety of materials and tasks encountered in practice, and collecting sufficiently diverse real-world data is often impractical. Additionally, existing simulation environments offer limited support for the broad spectrum of material behaviors necessary for generalizable DLO manipulation. To overcome these limitations, we introduce a differentiable simulator explicitly designed for versatile DLO manipulation. Our simulator models a wide range of material properties-including (in)extensibility, elasticity, bending plasticity, and complex interactions with other objects-providing a robust foundation for learning and evaluating manipulation skills. Building on this simulator, we propose a benchmark suite of representative tasks that highlight the unique challenges of DLO manipulation. The successful execution of these tasks is often hindered by the topological complexity and grasp sensitivity inherent to DLOs. Therefore, we introduce a specialized DLO agent that explicitly manages these challenges by proposing strategic grasping points and decomposing long-horizon tasks to maximize control authority. Finally, we evaluate various policy-learning algorithms using our framework, alongside sim-to-real transfer experiments, demonstrating our platform's potential to advance DLO manipulation.
• Abstract（参考訳）: ロボットがロープ、ケーブル、ゴムバンドなどの変形可能な線形物体(DLO)を操作できるようにするという課題に対処する。 以前の研究は主に狭義のタスク固有の問題に焦点を当てており、しばしば実世界の実演や手作りのヒューリスティックに頼っている。 しかし、そのようなアプローチは、実際に遭遇した幅広い素材やタスクにスケールするのに苦労し、十分に多様な実世界のデータを集めることは、しばしば非現実的である。 さらに、既存のシミュレーション環境は、一般化可能なDLO操作に必要な幅広い物質挙動を限定的にサポートしている。 これらの制限を克服するために,多目的なDLO操作用に設計された微分可能シミュレータを導入する。 我々のシミュレーターは、伸縮性、弾力性、曲げ塑性、および他の物体との複雑な相互作用を含む幅広い材料特性をモデル化し、操作スキルの学習と評価のための堅牢な基盤を提供する。 本シミュレータをベースとして,DLO操作の独特な課題を浮き彫りにした,代表的タスクのベンチマークスイートを提案する。 これらのタスクの正常実行は、しばしば、DLO固有のトポロジカルな複雑さと把握感度によって妨げられる。 そこで我々は,これらの課題を戦略的把握ポイントを提案し,制御権限を最大化するために長期タスクを分解することによって,明確に管理するDLOエージェントを提案する。 最後に,本フレームワークを用いた多種多様なポリシー学習アルゴリズムとシミュレート・トゥ・リアル・トランスファー実験を併用し,DLO操作を推し進めるためのプラットフォームの可能性を示す。

関連論文リスト

• SPARD: Self-Paced Curriculum for RL Alignment via Integrating Reward Dynamics and Data Utility [71.76390626651254]
  本研究では,学習の進捗を把握し,多目的報酬重み付けとデータ重要度を動的に調整し,自己完結型カリキュラムを構築するフレームワークであるSPARDを提案する。 複数のベンチマークにわたる大規模な実験により、SPARDはすべてのドメインにわたるモデル機能を大幅に強化することが示された。
  論文  参考訳（メタデータ） (2026-04-09T05:37:22Z)
• ManipArena: Comprehensive Real-world Evaluation of Reasoning-Oriented Generalist Robot Manipulation [66.02142169323521]
  Vision-Language-ActionモデルとWorld Modelは最近、汎用ロボットインテリジェンスのための有望なパラダイムとして登場した。 既存のベンチマークは、主にシミュレータ中心であり、制御性を提供するが、知覚ノイズによって引き起こされる現実のギャップを捉えることができない。 シミュレーションと実世界の実行を橋渡しする標準化された評価フレームワークであるManipArenaを紹介する。
  論文  参考訳（メタデータ） (2026-03-30T15:06:41Z)
• A Perspective on Open Challenges in Deformable Object Manipulation [0.0]
  変形可能なオブジェクト操作(DOM)は、医療、製造、食品加工など、ロボット工学における重要な課題である。 本稿では,オクルージョン処理やタスクの一般化,スケーラブルでリアルタイムなソリューションといった重要な課題に焦点をあてて,DOMにおける技術の現状を概観する。
  論文  参考訳（メタデータ） (2026-02-26T13:39:30Z)
• LLMs for Analog Circuit Design Continuum (ACDC) [10.15990970510281]
  大きな言語モデル(LLM)とトランスフォーマーアーキテクチャは印象的な推論と生成能力を示している。 この研究は、人間がループに留まるAI支援設計に焦点を当てている。 この結果から,データフォーマットに対する感度,生成した設計の不安定性,未確認回路構成への一般化の制限など,重要な信頼性上の課題が浮き彫りになった。
  論文  参考訳（メタデータ） (2025-12-09T23:57:28Z)
• Incentivizing Multimodal Reasoning in Large Models for Direct Robot Manipulation [89.5123417007126]
  空間的行動空間をLMM(Large Multimodal Models)に理解させる方法について述べる。 また,これらの課題を解決する上で,LMMの推論能力を完全に活用する方法を示す。 その結果、ReasonManipという名前の7Bバックボーン上に構築された推論モデルは、3つの顕著な利点を示しています。
  論文  参考訳（メタデータ） (2025-05-19T06:00:14Z)
• MLE-Dojo: Interactive Environments for Empowering LLM Agents in Machine Learning Engineering [57.156093929365255]
  自律型大規模言語モデル(LLM)エージェントを体系的に強化し、評価し、改善するためのガイムスタイルのフレームワーク。 MLE-Dojoは、現実的なエンジニアリングシナリオを反映した、多様でオープンなMLEタスクを慎重にキュレートする。 完全に実行可能な環境は、教師付き微調整と強化学習の両方を通して包括的なエージェントトレーニングをサポートする。
  論文  参考訳（メタデータ） (2025-05-12T17:35:43Z)
• Instruction-Augmented Long-Horizon Planning: Embedding Grounding Mechanisms in Embodied Mobile Manipulation [39.43049944895508]
  Instruction-Augmented Long-Horizon Planning (IALP) システムを提案する。 その結果, IALPシステムでは, 平均成功率80%を超えるタスクを効率的に解けることがわかった。
  論文  参考訳（メタデータ） (2025-03-11T06:37:33Z)
• Sim-to-Real Reinforcement Learning for Vision-Based Dexterous Manipulation on Humanoids [56.892520712892804]
  本稿では,ヒューマノイドロボットを訓練して3つの巧妙な操作を行う,実用的なシミュレート・トゥ・リアルなRLレシピを提案する。 未確認のオブジェクトやロバストで適応的な政策行動に対して高い成功率を示す。
  論文  参考訳（メタデータ） (2025-02-27T18:59:52Z)
• Scaling Autonomous Agents via Automatic Reward Modeling And Planning [52.39395405893965]
  大規模言語モデル(LLM)は、様々なタスクにまたがる顕著な機能を示している。 しかし、彼らは多段階の意思決定と環境フィードバックを必要とする問題に苦戦している。 人間のアノテーションを使わずに環境から報酬モデルを自動的に学習できるフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-17T18:49:25Z)
• Conditional Neural Expert Processes for Learning Movement Primitives from Demonstration [1.9336815376402723]
  条件付きニューラルネットワークプロセス(CNEP)は、異なるモードから異なる専門家ネットワークにデモを割り当てることを学ぶ。 CNEPは、軌道がどのモードに属するかの監督を必要としない。 本システムは,オンラインコンディショニング機構を用いて,環境変化へのオンザフライ適応が可能なシステムである。
  論文  参考訳（メタデータ） (2024-02-13T12:52:02Z)
• DexDLO: Learning Goal-Conditioned Dexterous Policy for Dynamic Manipulation of Deformable Linear Objects [7.72979328949568]
  変形可能な線形オブジェクトに対するデキスタラス動的操作ポリシーを固定ベースデキスタラスハンドで学習するモデルフリーフレームワークであるDexDLOを提案する。 我々は,同じフレームワークパラメータで5つの異なるDLO操作タスクを効率的に学習できることを示す。
  論文  参考訳（メタデータ） (2023-12-23T09:26:20Z)

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。