論文の概要: FACTR 2: Learning External Force Sensing for Commodity Robot Arms Improves Policy Learning
- arxiv url: http://arxiv.org/abs/2606.12406v1
- Date: Wed, 10 Jun 2026 17:59:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-11 16:42:38.616835
- Title: FACTR 2: Learning External Force Sensing for Commodity Robot Arms Improves Policy Learning
- Title（参考訳）: FACTR 2:コモディティロボットアームの外部力センシング学習による政策学習の改善
- Authors: Steven Oh, Jason Jingzhou Liu, Tony Tao, Philip Han, Kenneth Shaw, Satoshi Funabashi, Ruslan Salakhutdinov, Deepak Pathak,
- Abstract要約: 接触に富んだ操作は力の感度を必要とするが、多くのロボットアームは高いコストのために専用の力センサーを欠いている。
本稿では、専用の力センサを必要とせず、外部関節トルクを推定するデータ駆動方式であるニューラル外部トルク推定(Trque)を提案する。
次に、低コストのアーム上での力覚的遠隔操作を可能にし、フォースインフォームド・リサンプリングトレーニングによる政策学習を改善する。
- 参考スコア（独自算出の注目度）: 54.93624123794711
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Contact-rich manipulation requires force sensitivity, but many robot arms lack dedicated force sensors due to their high cost. We present Neural External Torque Estimation (NEXT), a data-driven method that estimates external joint torques without needing any dedicated force sensors. NEXT trains in 1 minute from only 10 minutes of free-motion data, yet achieves estimates comparable to dedicated joint-torque sensors. NEXT enables force-feedback teleoperation on low-cost arms and improves policy learning through Force-Informed Re-Sampling Training (FIRST), which up-samples pre-contact and contact segments during behavior cloning. Across five long-horizon tasks, FIRST outperforms prior force-aware policies by over 17% in task progress. Together, NEXT and FIRST bring force-aware teleoperation and policy learning to off-the-shelf robots without additional sensing hardware. Video results and code are available at https://jasonjzliu.com/factr2
- Abstract（参考訳）: 接触に富んだ操作は力の感度を必要とするが、多くのロボットアームは高いコストのために専用の力センサーを欠いている。
我々は、専用の力センサを必要とせず、外部関節トルクを推定するデータ駆動方式であるNeXTを提案する。
NEXTは10分間のフリーモーションデータから1分でトレーニングするが、専用のジョイントトルクセンサーに匹敵する推定を達成している。
NEXTは、低コストのアームでのフォースフィードバック遠隔操作を可能にし、行動クローニング中に事前接触と接触セグメントをアップサンプルするFIRST(Force-Informed Re-Sampling Training)を通じてポリシー学習を改善する。
5つの長期タスクにおいて、FIRSTはタスク進捗の17%以上で、事前のフォースアウェアポリシーを上回っている。
NEXTとFIRSTは、追加のセンサーハードウェアを使わずに、市販のロボットにフォース対応の遠隔操作とポリシー学習をもたらす。
ビデオ結果とコードはhttps://jasonjzliu.com/factr2で公開されている。
関連論文リスト
- ForceVLA2: Unleashing Hybrid Force-Position Control with Force Awareness for Contact-Rich Manipulation [75.39847750457626]
エンドツーエンドの視覚言語アクションフレームワークであるForceVLA2は、ハイブリッドな力配置制御と明示的な力覚を備えたロボットを装備する。
学習と評価を支援するために,5つの接触豊富なタスクに1,000の軌道を含むForceVLA2-Datasetを構築した。
実験により、ForceVLA2は接触リッチな操作における成功率と信頼性を大幅に改善することが示された。
論文 参考訳（メタデータ） (2026-03-16T12:03:58Z) - 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) - Feel the Force: Contact-Driven Learning from Humans [52.36160086934298]
操作中のきめ細かい力の制御は、ロボット工学における中核的な課題である。
We present FeelTheForce, a robot learning system that model human tactile behavior to learn force-sensitive control。
提案手法は,5つの力覚的操作タスクで77%の成功率を達成した,スケーラブルな人間の監督において,堅牢な低レベル力制御を実現する。
論文 参考訳（メタデータ） (2025-06-02T17:57:52Z) - FACTR: Force-Attending Curriculum Training for Contact-Rich Policy Learning [70.65987250853311]
フォースフィードバックは、ほとんどのロボットアームで簡単に利用できるが、遠隔操作や政策学習では一般的には使われない。
本稿では,低コストで直感的で双方向な遠隔操作システムを提案し,従者アームの外部力を教師アームに伝える。
次に、FACTRというカリキュラムを利用した政策学習手法を導入し、学習を通して視覚入力を劣化させ、強度を低下させる。
論文 参考訳（メタデータ） (2025-02-24T18:59:07Z) - Proprioceptive External Torque Learning for Floating Base Robot and its
Applications to Humanoid Locomotion [17.384713355349476]
本稿では,浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点
実際のロボット実験では、ネットワークは外部トルクと接触レンチをはるかに小さな誤差で推定できることを示した。
また,ゼロモーメントポイント(ZMP)フィードバック制御において,推定した接触レンチが有効であることを示す。
論文 参考訳（メタデータ） (2023-09-08T05:33:56Z) - Fine Robotic Manipulation without Force/Torque Sensor [9.908082209033612]
典型的な6軸力/トルクセンサ(F/T)がロボットの手首と端エフェクターの間に装着され、環境がロボットに与える力(外部レンチ)を測定する。
典型的な6軸F/Tセンサーは高い精度で測定できるが、ドリフトや外部の衝撃に対して高価で脆弱である。
ロボットの内部信号のみを用いて外部レンチを推定する既存の手法は、スコープに限られている。
我々はニューラルネットワークに基づく手法を提案し、トレーニングデータ構造に特に注意を払うことで、正確に見積もることができると論じる。
論文 参考訳（メタデータ） (2023-01-31T05:06:04Z)
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。