論文の概要: Closing the Reality Gap: Zero-Shot Sim-to-Real Deployment for Dexterous Force-Based Grasping and Manipulation
- arxiv url: http://arxiv.org/abs/2607.04940v1
- Date: Mon, 06 Jul 2026 11:15:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:30.124431
- Title: Closing the Reality Gap: Zero-Shot Sim-to-Real Deployment for Dexterous Force-Based Grasping and Manipulation
- Title（参考訳）: 現実のギャップを閉じる: 軸力によるグラッピングとマニピュレーションのためのゼロショット・シミュレート・トゥ・リアル展開
- Abstract要約: 人間のような器用な手は人間レベルの操作機能を提供するが、実際のハードウェアにデプロイできるコントロールポリシーを訓練することは困難である。
本稿では,高密度触覚フィードバックと関節トルクセンサを併用したシミュレート・トゥ・リアル強化学習法を提案する。
これは、シミュレーションで完全に訓練され、実際のハードウェア上でゼロショットを転送するマルチフィンガーデキスタラスハンドにおける制御可能なグリップの初めてのデモンストレーションである。
- 参考スコア（独自算出の注目度）: 17.63466252699545
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Human-like dexterous hands with multiple fingers offer human-level manipulation capabilities but remain difficult to train the control policies that can deploy on real hardware due to contact-rich physics and imperfect actuation. We present a sim-to-real reinforcement learning method that leverages dense tactile feedback combined with joint torque sensing to explicitly regulate physical interactions. To enable effective sim-to-real transfer, we introduce (i) a computationally fast tactile simulation that computes distances between dense virtual tactile units and the object via parallel forward kinematics, providing high-rate, high-resolution touch signals needed by RL; (ii) a current-to-torque calibration that eliminates the need for torque sensors on dexterous hands by mapping motor current to joint torque; and (iii) actuator dynamics modeling with randomization to account for non-ideal torque-speed effects and bridge the actuation gaps. Using an asymmetric actor-critic PPO pipeline, we train policies entirely in simulation and deploy them directly to a five-finger hand. The resulting policies demonstrate two essential human-hand skills: (1) command-based controllable grasp force tracking and (2) reorientation of objects in the hand, both of which are robustly executed without fine-tuning on the robot. By combining tactile and torque in the observation space with scalable sensing and actuation modeling, our system provides a practical solution to achieve reliable dexterous manipulation. To our knowledge, this is the first demonstration of controllable grasping on a multi-finger dexterous hand trained entirely in simulation and transferred zero-shot on real hardware.
- Abstract（参考訳）: 複数の指を持つ人間のような器用な手は、人間レベルの操作機能を提供するが、接触の多い物理と不完全な動作のために実際のハードウェアにデプロイできる制御ポリシーを訓練することは困難である。
本研究では,高密度触覚フィードバックとジョイントトルクセンシングを併用し,物理的相互作用を明示的に制御するシミュレート・トゥ・リアル強化学習法を提案する。
効率的なsim-to-real転送を実現するために、我々は紹介する。
(i)高密度仮想触覚ユニットと物体間の距離を並列運動学により計算し、RLが必要とする高レートで高解像度のタッチ信号を提供する計算高速触覚シミュレーション。
二 モータ電流を関節トルクにマッピングすることにより、外反手におけるトルクセンサの必要性を解消する電流トルク校正
3)非理想的トルク速度効果とアクチュエータギャップのブリッジを考慮したランダム化によるアクチュエータダイナミックスモデリング
非対称アクタークリティカルなPPOパイプラインを使用して、完全にシミュレーションでポリシーをトレーニングし、5本指の手で直接デプロイします。
その結果,(1)コマンドベース制御可能な握力追跡と(2)手指の物体の向き転換という,ロボットを微調整することなく頑健な動作を行う,2つの基本的ヒューマンハンドスキルが示された。
観測空間における触覚とトルクをスケーラブルなセンシングとアクティベーションモデリングと組み合わせることで,信頼性の高いデクスタス操作を実現するための実用的なソリューションを提供する。
我々の知る限り、これはシミュレーションで完全に訓練され、実際のハードウェアでゼロショットを転送したマルチフィンガーデキスタラスハンドで制御可能な握りの初めての実演である。
関連論文リスト
- Actuator Reality Shaping for Zero-Shot Sim-to-Real Robot Learning [0.5277024349608834]
ロボット学習におけるシモン・トゥ・リアル・トランスファーは、ポリシートレーニング中に仮定される理想的なアクチュエータ・ダイナミクスと、物理モータの非線形でハードウェア依存的な動作との相違によって制限されることが多い。
本手法は,実世界に合わせてシミュレータを変更する代わりに,物理アクチュエータの閉ループ挙動を,シミュレーションで使用される理想化された2階基準力学と一致するように形成する。
外部負荷下での単一接合型ハイギア比サーボと7-DOFロボットアームリーチタスクのアプローチを検証する。
論文 参考訳（メタデータ） (2026-07-02T14:12:41Z) - Blind Dexterous Grasping via Real2Sim2Real Tactile Policy Learning [6.509572742369941]
触覚のみのブラインドグリップのためのフレームワークを提案する。
本研究では,実際の触覚信号を再現可能な接触校正型デジタル双極子シミュレータを構築するReal2Sim触覚校正パイプラインを提案する。
第2に,センサ・ジオメトリを組み込んだレイアウト認識型触覚エンコーダによる触覚観察の表現性を,自己教師付き事前学習により改善する。
第3に、未確認物体への一般化を改善するため、校正されたシミュレーターにおいて、オブジェクト固有の強化学習の専門家を訓練し、得られた把握軌道を触覚条件付き拡散ポリシーに集約する。
論文 参考訳（メタデータ） (2026-06-10T07:46:38Z) - Beyond Binary: Sim-to-Real Dexterous Manipulation with Physics-Grounded Contact Representation [51.463992799813816]
コンタクトリッチな操作における主要なボトルネックは、現実世界のデータ収集の難しさである。
物理原理に基づく効果的な触覚表現であるCenter-of-Pressureを紹介する。
我々は2つのブラインドで困難なコンタクトリッチな操作タスクについてCoPを評価する。
論文 参考訳（メタデータ） (2026-05-27T17:59:02Z) - Sim-to-Real Transfer for Muscle-Actuated Robots via Generalized Actuator Networks [53.12548325396181]
柔らかい筋肉のアクティベーションと組み合わせたテンドンドライブは、より速く、より安全なロボットを可能にする。
この複雑なアクチュエータのニューラルネットワークモデルを学習するsim-to-realパイプラインを提案する。
我々は,完全にシミュレーションで訓練された,正確なゴール獲得とダイナミック・ボール・イン・カップ・ポリシーの展開に成功した。
論文 参考訳（メタデータ） (2026-04-10T16:52:54Z) - Tendon Force Modeling for Sim2Real Transfer of Reinforcement Learning Policies for Tendon-Driven Robots [4.374417345150659]
本稿では,典型的なサーボモータの腱力をモデル化する手法を提案する。
次に,GPUによる力駆動型剛体シミュレーションにおいて,我々の力推定モデルを用いてRL制御系を訓練する。
我々のモデルは最大運動力の3%以内の腱力を予測でき、ロボットに依存しない。
論文 参考訳（メタデータ） (2026-03-04T18:16:58Z) - Safe Whole-Body Loco-Manipulation via Combined Model and Learning-based Control [46.47619556874003]
そこで本研究では,マニピュレータアームのモデルベースアプタンス制御と足歩行の強化学習ポリシを組み合わせた全身制御を提案する。
アクセタンスコントローラは、物理的相互作用中に人間によって適用されるような外部レンチを、望ましいエンドエフェクタ速度にマッピングし、従順な振る舞いを可能にする。
6-DoFアームと手首に装着した6-DoF Force/Torqueセンサーを備えたUnitree Go2四足歩行ロボットを用いて,シミュレーションとハードウェアの両方におけるアプローチを検証する。
論文 参考訳（メタデータ） (2026-03-02T22:31:12Z) - Semantic-Contact Fields for Category-Level Generalizable Tactile Tool Manipulation [82.63833405368159]
ツール操作の一般化には、セマンティックプランニングと正確な物理的制御の両方が必要である。
本研究では,密接な接触推定を伴う視覚的意味論を融合した3次元表現であるセマンティック・コンタクト・フィールド(SCFields)を提案する。
スクレイピング、クレヨン描画、剥離の実験は、堅牢なカテゴリレベルの一般化を示している。
論文 参考訳（メタデータ） (2026-02-14T16:05:08Z) - 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) - Closing the Reality Gap: Zero-Shot Sim-to-Real Deployment for Dexterous Force-Based Grasping and Manipulation [12.509181374985936]
複数の指を持つ人間のような器用な手は、人間レベルの操作機能を提供する。
しかし、実際のハードウェアに直接デプロイ可能なトレーニングコントロールポリシは、コンタクトリッチな物理のため、依然として難しいままです。
本稿では,高密度触覚フィードバックと関節トルクセンシングを併用して身体的相互作用を調節する実践的枠組みを提案する。
論文 参考訳（メタデータ） (2026-01-06T07:26:39Z) - Towards Transferring Tactile-based Continuous Force Control Policies
from Simulation to Robot [19.789369416528604]
グリップフォースコントロールは、物体に作用する力の量を制限することによって、物体を安全に操作することを目的としている。
以前の作品では、手動制御器、モデルベースのアプローチ、あるいはsim-to-realトランスファーを示さなかった。
シミュレーションで訓練されたモデルなしの深層強化学習手法を提案し,さらに微調整を行わずにロボットに移行した。
論文 参考訳（メタデータ） (2023-11-13T11:29:06Z) - 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。