論文の概要: ForceBand: Learning Forceful Manipulation with sEMG

• arxiv url: http://arxiv.org/abs/2606.26093v1
• Date: Wed, 24 Jun 2026 17:59:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:05:30.425194
• Title: ForceBand: Learning Forceful Manipulation with sEMG
• Title（参考訳）: ForceBand: sEMGで強制操作を学ぶ
• Abstract要約: ForceBandは低コストで手首を縫ったsEMGシステムで、人間の筋肉活動を力で強化されたデモに変える。 我々は,筋電図およびIMU信号から指ごとの力を予測するEMG2Forceモデルを事前訓練する。 実験により、ForceBandは視覚ベースラインよりも50%以上低い力予測誤差で細粒度の指先相互作用を回復することが示された。
• 参考スコア（独自算出の注目度）: 55.186900419710746
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human demonstrations are a scalable data source for learning robot manipulation policies. However, common sources of human demonstration data, such as motion-capture trajectories and internet videos, capture mostly motion and appearance while missing the contact forces that are critical for force-sensitive manipulation. In this paper, we introduce ForceBand, a low-cost wrist-worn sEMG system that turns human muscle activity into force-enriched demonstrations. We first collect a 10-hour multimodal dataset containing egocentric video, sEMG, IMU, and fingertip force measurements across diverse actions and objects. Using this dataset, we pre-train an EMG2Force model that predicts per-finger forces from sEMG and IMU signals. After a short user-specific calibration, users can collect target-task demonstrations using only ForceBand and video; EMG2Force then labels these demonstrations with per-finger force traces, producing force-augmented demonstrations for robot policy learning. Experiments show that ForceBand recovers fine-grained fingertip interactions with over 50% lower force prediction error than vision-based baselines and achieves an 87% success rate on pick, squeeze, and place tasks that require object-specific force control across objects with diverse shapes, sizes, and weights. Project website: https://forceband-emg.github.io
• Abstract（参考訳）: 人間のデモは、ロボット操作ポリシーを学ぶためのスケーラブルなデータソースである。 しかし、モーションキャプチャー・トラジェクトリーやインターネット・ビデオのような人間のデモデータの一般的な情報源は、主に動きと外観を捉えながら、力に敏感な操作に不可欠な接触力を欠いている。 本稿では,手首に装着した低コストのSEMGシステムであるForceBandについて紹介する。 まず,エゴセントリックなビデオ,sEMG,IMU,指先力測定を含む10時間のマルチモーダルデータセットを収集した。 このデータセットを用いて,筋電図およびIMU信号から指ごとの力を予測するEMG2Forceモデルを事前訓練する。 EMG2Forceは、これらのデモを指ごとの力跡でラベル付けし、ロボットポリシー学習のための力強化されたデモを生成する。 実験の結果、ForceBandは視覚ベースのベースラインよりも50%以上低い力予測誤差で細粒度の指先インタラクションを回復し、さまざまな形状、大きさ、重量を持つオブジェクトに対して、オブジェクト固有の力制御を必要とするタスクの選択、絞り、配置において87%の成功率を達成することがわかった。 プロジェクトウェブサイト:https://forceband-emg.github.io

関連論文リスト

• ReForce: Learning Force-aware Retargeting for Dexterous Manipulation [9.525202879335618]
  ReForceは、人間の動きと力を、意図した接触を再現するロボットアクションに変える、フォース対応のリターゲティング手法だ。 オンラインフォース対応の遠隔操作とオフラインデータ変換の両方をサポートする。 紙カップの握りやトング操作といったコンタクトリッチなタスクに対して、力追跡誤差の低減と、より強力なマルチフィンガーコンタクトエンゲージメントを実現する。
  論文  参考訳（メタデータ） (2026-08-16T06:13:14Z)
• Multifingered force-aware control for humanoid robots [5.099311163246841]
  マルチフィンガーハンドを用いたロボットプラットフォームにおける力認識制御と力分布について検討する。 我々は、胴体、腕、手首、指の動きに適応し、様々な質量分布や不安定な接触の物体との安定した接触を維持するために再分配力を設計する。 我々は5つのオブジェクトでバランスをとる作業においてフレームワークを検証し、成功率82.7%を達成し、さらに複数のオブジェクトシナリオで評価し、精度80%を達成した。
  論文  参考訳（メタデータ） (2026-03-09T09:17:45Z)
• 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)
• Chain-of-Modality: Learning Manipulation Programs from Multimodal Human Videos with Vision-Language-Models [49.4824734958566]
  カオス・オブ・モダリティ(CoM)は、ビジョン言語モデルがマルチモーダルな人間の実演データを推論することを可能にする。 CoMはタスクプランを洗練し、詳細な制御パラメータを生成し、ロボットは単一のマルチモーダルなヒューマンビデオプロンプトに基づいて操作タスクを実行できる。
  論文  参考訳（メタデータ） (2025-04-17T21:31:23Z)
• Any-point Trajectory Modeling for Policy Learning [64.23861308947852]
  我々は、ビデオフレーム内の任意の点の将来の軌跡を予測するために、ATM(Any-point Trajectory Modeling)を導入する。 ATMは、強力なビデオ事前トレーニングベースラインを平均80%上回っている。 本研究では,人間の動画やビデオからの操作スキルを,異なるロボット形態から効果的に伝達する学習方法を示す。
  論文  参考訳（メタデータ） (2023-12-28T23:34:43Z)
• MimicGen: A Data Generation System for Scalable Robot Learning using Human Demonstrations [55.549956643032836]
  MimicGenは、少数の人間のデモから大規模でリッチなデータセットを自動的に合成するシステムである。 ロボットエージェントは,この生成したデータセットを模倣学習により効果的に訓練し,長期的・高精度なタスクにおいて高い性能を達成することができることを示す。
  論文  参考訳（メタデータ） (2023-10-26T17:17:31Z)
• ForceSight: Text-Guided Mobile Manipulation with Visual-Force Goals [7.728447960544735]
  本稿では,深層ニューラルネットワークを用いて視覚力目標を予測するテキスト誘導型モバイル操作システムであるForceSightを紹介する。 ForceSightは、精度の把握、引き出しのオープニング、オブジェクトハンドオーバといったタスクを、目に見えない環境で81%の成功率で実行した。 別の実験では、視覚的なサーボと無視力の目標のみに依存することで、成功率が90%から45%に低下し、力の目標がパフォーマンスを大幅に向上することを示した。
  論文  参考訳（メタデータ） (2023-09-21T17:59:50Z)
• Visual Imitation Made Easy [102.36509665008732]
  本稿では,ロボットへのデータ転送を容易にしながら,データ収集プロセスを単純化する,模倣のための代替インターフェースを提案する。 我々は、データ収集装置やロボットのエンドエフェクターとして、市販のリーチ・グラブラー補助具を使用する。 我々は,非包括的プッシュと包括的積み重ねという2つの課題について実験的に評価した。
  論文  参考訳（メタデータ） (2020-08-11T17:58:50Z)

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。