論文の概要: Universal Manipulation Exoskeleton: Learning Compliant Whole-body Policies with Real-time Torque Feedback

• arxiv url: http://arxiv.org/abs/2606.14218v1
• Date: Fri, 12 Jun 2026 07:57:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 16:00:42.811362
• Title: Universal Manipulation Exoskeleton: Learning Compliant Whole-body Policies with Real-time Torque Feedback
• Title（参考訳）: ユニバーサルマニピュレーション・エクソスケルトン: リアルタイムトルクフィードバックによる完全体政策の学習
• Authors: Litian Liang, Jingxi Xu, Xinda Qi, Yujun Cai, Houzhu Ding, Luqi Wang, Zhixin Sun, Jyh-Herng Chow, Ming Yang, Mark Cutkosky,
• Abstract要約: リアルタイムな触覚トルクフィードバックを提供する上肢外骨格であるUniversal Manipulation Exoskeleton(UME)を提案する。 この組み合わせによって、高度に制約された空間で効果的に機能するバイマン的、全体的、そして積極的なコンプライアンスポリシーを学習できることを示す。
• 参考スコア（独自算出の注目度）: 23.21469125720761
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: For robots to work safely in household environments, they need to be compliant and react to torque and force feedback during contact. However, the majority of existing data collection pipelines still lack the ability to capture force and torque data for learning active compliant policies. In this paper, we present Universal Manipulation Exoskeleton (UME), an upper-limb exoskeleton that provides real-time haptic torque feedback while recording whole-arm configurations and joint torque signals for teleoperation. With transparent torque feedback, human operators can even unsheathe kinematically constrained objects while blindfolded. UME is low-cost, lightweight, and portable. Equipped with an embedded IMU, it enables teleoperation for mobile manipulation. With our proposed universal retargeting algorithm, UME can teleoperate a range of robots, including the 7DoF OpenArm, 7DoF Franka, and 6DoF X-ARM. We demonstrate that this combination of capabilities enables learning bimanual, whole-body, and active compliant policies that operate effectively in highly constrained spaces. The learned robust autonomous policies achieve high success rates across a variety of tasks, including long-horizon mobile manipulation, force-mediated box flipping, visually occluded box pushing, and space-constrained tabletop manipulation. Videos, code, and additional information can be found at https://ume-exo.github.io.
• Abstract（参考訳）: ロボットが家庭の環境で安全に働くためには、接触中にトルクや力のフィードバックに順応して反応する必要がある。 しかし、既存のデータ収集パイプラインの大部分は、アクティブな準拠ポリシーを学ぶための力とトルクデータをキャプチャする能力を持っていない。 本稿では,上肢外骨格であるUniversal Manipulation Exoskeleton(UME)について述べる。 透明なトルクフィードバックによって、人間のオペレーターは、目隠ししながら運動的に制約された物体を不活性にすることができる。 UMEは安価で軽量でポータブルです。 組み込みIMUを備え、モバイル操作のための遠隔操作を可能にする。 提案するユニバーサルリターゲティングアルゴリズムにより,UMEは7DoF OpenArm,7DoF Franka,6DoF X-ARMなどのロボットを遠隔操作できる。 この組み合わせによって、高度に制約された空間で効果的に機能するバイマン的、全体的、そして積極的なコンプライアンスポリシーを学習できることを示す。 学習された堅牢な自律ポリシーは、長距離移動操作、力によるボックスフリップ、視覚的に閉塞されたボックスプッシュ、空間制約のあるテーブルトップ操作など、さまざまなタスクで高い成功率を達成する。 ビデオ、コード、追加情報はhttps://ume-exo.github.io.comで見ることができる。

関連論文リスト

• OmniUMI: Towards Physically Grounded Robot Learning via Human-Aligned Multimodal Interaction [41.5123936517904]
  UMIスタイルのインタフェースはスケーラブルなロボット学習を可能にするが、既存のシステムはほとんどビジュモータのままである。 OmniUMIは,人間と協調したマルチモーダルインタラクションによる物理的基盤を持つロボット学習のための統合フレームワークである。
  論文  参考訳（メタデータ） (2026-04-12T13:48:48Z)
• ULTRA: Unified Multimodal Control for Autonomous Humanoid Whole-Body Loco-Manipulation [55.467742403416175]
  本稿では,大規模モーションキャプチャをヒューマノイドに変換する物理駆動型ニューラルネットワークを提案する。 我々は高密度参照とスパースタスク仕様の両方をサポートする統合マルチモーダルコントローラを学習する。 その結果,ULTRAは自我中心の知覚から,自律的,目標条件付き全体ロコ操作に一般化することが示された。
  論文  参考訳（メタデータ） (2026-03-03T18:59:29Z)
• CHIP: Adaptive Compliance for Humanoid Control through Hindsight Perturbation [70.5382178207975]
  hIsight Perturbation (CHIP)は、制御可能なエンドエフェクタ剛性を実現するプラグイン・アンド・プレイモジュールである。 CHIPの実装は簡単で、データ拡張も追加の報酬チューニングも必要ありません。 そこで本研究では,CHIPでトレーニングした汎用モーショントラッキングコントローラが,多種多様な操作タスクを実行できることを示す。
  論文  参考訳（メタデータ） (2025-12-16T18:56:04Z)
• End-to-End Dexterous Arm-Hand VLA Policies via Shared Autonomy: VR Teleoperation Augmented by Autonomous Hand VLA Policy for Efficient Data Collection [10.217810309422232]
  マクロモーションとマイクロモーションの制御を分割するフレームワークを提案する。 人間のオペレーターが直感的なVR遠隔操作を通してロボットの腕のポーズをガイドします。 自律的なDexGrasp-VLAポリシは、リアルタイム触覚と視覚フィードバックを使用して、きめ細かい手制御を処理する。
  論文  参考訳（メタデータ） (2025-10-31T16:12:02Z)
• 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)
• ForceVLA: Enhancing VLA Models with a Force-aware MoE for Contact-rich Manipulation [62.58034332427291]
  ForceVLAは、新しいエンドツーエンド操作フレームワークである。 外部力センシングは、VLAシステム内の第一級のモダリティとして扱う。
  論文  参考訳（メタデータ） (2025-05-28T09:24:25Z)
• Visual Whole-Body Control for Legged Loco-Manipulation [22.50054654508986]
  そこで本研究では,ロボットアームを用いた移動操作の問題点について検討する。 視覚的観察により全身制御を自律的に行うことのできる枠組みを提案する。
  論文  参考訳（メタデータ） (2024-03-25T17:26:08Z)
• Deep Whole-Body Control: Learning a Unified Policy for Manipulation and Locomotion [25.35885216505385]
  装着されたアームは、移動操作タスクへの脚付きロボットの適用性を著しく向上させることができる。 このような手足のマニピュレータのための標準的な階層制御パイプラインは、コントローラを操作と移動のものと分離することである。 我々は、強化学習を用いて、足のマニピュレータの全身制御のための統一的なポリシーを学習する。
  論文  参考訳（メタデータ） (2022-10-18T17:59:30Z)

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。