論文の概要: Enabling Robust Cloth Manipulation via Inference-Time Simulator-in-the-Loop Refinement
- arxiv url: http://arxiv.org/abs/2606.24552v1
- Date: Tue, 23 Jun 2026 13:20:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-24 22:16:48.966857
- Title: Enabling Robust Cloth Manipulation via Inference-Time Simulator-in-the-Loop Refinement
- Title（参考訳）: 推論時間シミュレーター・イン・ザ・ループリファインメントによるロバスト衣服の操作
- Authors: Xin Liu, Yulin Li, Ziming Li, Pengyu Jing, Zhenhao Huang, Bingyang Zhou, Ziqiu Zeng, Siyuan Luo, Chenkun Qi, Fan Shi,
- Abstract要約: 物理シミュレーターをバックエンドのロールアウトエンジンとして使用し、オンライン上で予測された軌道を並列に評価し、精巧な名目動作を行う。
シミュレーション可能な布の状態に単一のRGB観測をマッピングする,純粋に合成データに基づいて訓練された実似モジュールを開発した。
実ロボット実験では、成功率が高く、ベースライン法よりも強いことが示されている。
- 参考スコア（独自算出の注目度）: 16.29450701834732
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Simulator-in-the-loop optimization offers a promising inference-time mechanism for robot manipulation. It uses a physical simulator as a backend rollout engine to evaluate candidate trajectories in parallel and refine nominal actions online, a paradigm proven effective in rigid-body manipulation where state and contact are relatively tractable. We bring this paradigm to real-world cloth manipulation from a single RGB input through three pillars. (i) We design a scalable synthetic-data generation and inference-time rollout pipeline built on FLASH, a deformable-object simulator that provides a practical balance among physical fidelity, numerical stability, and rollout efficiency. (ii) We develop a real-to-sim module, trained purely on synthetic data, that maps a single RGB observation to simulation-compatible cloth state by fusing pretrained visual features with learnable canonical tokens. (iii) We perform online planning by coupling a sparse-mesh rollout backend with prior-guided MPPI, anchored at an offline-distilled policy trajectory, preserving manipulation-relevant deformation and contact while enabling sufficient parallel rollout batches. Real-robot experiments show higher success rates and stronger robustness than baseline methods.
- Abstract（参考訳）: シミュレーター・イン・ザ・ループ最適化はロボット操作に有望な推論時間機構を提供する。
物理シミュレーターをバックエンドのロールアウトエンジンとして使用して、候補者の軌跡を並列に評価し、名目操作をオンラインで洗練する。
我々は、このパラダイムを3つの柱を通して1つのRGB入力から現実世界の布の操作に適用する。
i) FLASHをベースとしたスケーラブルな合成データ生成・推論時ロールアウトパイプラインを設計し, 物理的忠実度, 数値安定性, ロールアウト効率の両立を図る。
2) 学習可能な標準トークンで事前学習した視覚特徴を融合させることにより, 単一のRGB観測をシミュレーションに適合した布の状態にマッピングする, 純粋に合成データに基づいて訓練された実似モジュールを開発する。
3) オンラインプランニングでは, 事前誘導MPPIとスパルスメッシュロールアウトバックエンドを結合し, オフラインで切断したポリシー軌道に固定し, 操作関連変形と接触を保存し, 十分な並列ロールアウトバッチを実現する。
実ロボット実験は、ベースライン法よりも高い成功率と強い堅牢性を示す。
関連論文リスト
- Robustness without Wrinkles: Parallel Simulation and Robust MPC for Certified Deformable Manipulation [3.88671418022057]
我々は,安全変形可能なオブジェクト操作をリアルタイムに制御するCORD-SLSについて,ロープや布に焦点をあてる。
コアとなるのは、効率的な勾配ベースの計画を可能にする接触平滑化を備えたGPU並列微分シミュレータである。
実時間,GPU並列出力フィードバック型ロバストモデル予測制御(MPC)アルゴリズムを開発した。
論文 参考訳（メタデータ） (2026-06-12T07:10:56Z) - D-REX: Differentiable Real-to-Sim-to-Real Engine for Learning Dexterous Grasping [66.22412592525369]
本稿では,ガウスのSplat表現を生かした実--sim-to-realエンジンを導入し,実-sim-to-realエンジンについて述べる。
提案エンジンは, 各種物体の形状と質量値のマス識別において, 高精度かつロバストな性能を実現していることを示す。
これらの最適化された質量値は、力覚的なポリシー学習を促進し、オブジェクトの把握において優れた、高いパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-03-01T15:32:04Z) - ABot-M0: VLA Foundation Model for Robotic Manipulation with Action Manifold Learning [31.000965640377128]
ABot-M0は、システマティックデータキュレーションパイプラインを構築するフレームワークである。
これは不均一な生データを統一的で効率的な表現にエンドツーエンドに変換することを可能にする。
ABot-M0はデュアルストリーム機構を通じてモジュール認識をサポートする。
論文 参考訳（メタデータ） (2026-02-11T16:47:01Z) - ParaMaP: Parallel Mapping and Collision-free Motion Planning for Reactive Robot Manipulation [17.260700135265267]
未知の環境でのロボット操作には、リアルタイムおよび衝突のないモーションプランニングが依然として困難である。
本研究では,Euclidean Distance Transform(EDT)に基づく環境表現をサンプリングベースモデル予測制御(SMPC)プランナと密に統合する並列マッピングと動作計画フレームワークを提案する。
提案手法の有効性は, 7-DoFロボットマニピュレータを用いた広範囲なシミュレーションと実世界の実験により検証した。
論文 参考訳（メタデータ） (2025-12-27T12:24:10Z) - URDF-Anything: Constructing Articulated Objects with 3D Multimodal Language Model [76.08429266631823]
3次元マルチモーダル大言語モデル(MLLM)に基づくエンドツーエンドの自動再構築フレームワークを提案する。
URDF-Anythingは、ポイントクラウドとテキストマルチモーダル入力に基づく自己回帰予測フレームワークを使用して、幾何学的セグメンテーションと運動論的パラメータ予測を協調的に最適化する。
シミュレーションと実世界の両方のデータセットの実験は、我々の手法が既存の手法よりも大幅に優れていることを示した。
論文 参考訳（メタデータ） (2025-11-02T13:45:51Z) - RoboPearls: Editable Video Simulation for Robot Manipulation [81.18434338506621]
RoboPearlsは、ロボット操作のための編集可能なビデオシミュレーションフレームワークである。
3D Gaussian Splatting (3DGS)に基づいて構築されたRoboPearlsは、フォトリアリスティックでビュー一貫性のあるシミュレーションの構築を可能にする。
我々は、RLBench、COLOSSEUM、Ego4D、Open X-Embodiment、現実世界のロボットなど、複数のデータセットやシーンで広範な実験を行う。
論文 参考訳（メタデータ） (2025-06-28T05:03:31Z) - Bench2Drive-R: Turning Real World Data into Reactive Closed-Loop Autonomous Driving Benchmark by Generative Model [63.336123527432136]
我々は,リアクティブ閉ループ評価を可能にする生成フレームワークであるBench2Drive-Rを紹介する。
既存の自動運転用ビデオ生成モデルとは異なり、提案された設計はインタラクティブなシミュレーションに適したものである。
我々は、Bench2Drive-Rの生成品質を既存の生成モデルと比較し、最先端の性能を達成する。
論文 参考訳（メタデータ） (2024-12-11T06:35:18Z) - Robust Visual Sim-to-Real Transfer for Robotic Manipulation [79.66851068682779]
シミュレーションにおけるビジュモータポリシーの学習は、現実世界よりも安全で安価である。
しかし、シミュレーションデータと実データとの相違により、シミュレータ訓練されたポリシーは実際のロボットに転送されると失敗することが多い。
視覚的なsim-to-real領域ギャップを埋める一般的なアプローチは、ドメインランダム化(DR)である。
論文 参考訳（メタデータ） (2023-07-28T05:47:24Z) - Inferring Articulated Rigid Body Dynamics from RGBD Video [18.154013621342266]
我々は,逆レンダリングと微分可能なシミュレーションを組み合わせるパイプラインを導入し,実世界の調音機構のディジタルツインを作成する。
本手法はロボットが操作する関節機構のキネマティックツリーを正確に再構築する。
論文 参考訳（メタデータ） (2022-03-20T08:19:02Z) - Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。
連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。
我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
論文 参考訳（メタデータ） (2021-11-15T18:50:04Z)
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。