Fugu-MT 論文翻訳(概要): Robust In-Hand Manipulation via Priors in Reinforcement Learning and Mechanical Design

論文の概要: Robust In-Hand Manipulation via Priors in Reinforcement Learning and Mechanical Design

arxiv url: http://arxiv.org/abs/2607.12105v1
Date: Mon, 13 Jul 2026 19:32:41 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-15 17:08:29.95662
Title: Robust In-Hand Manipulation via Priors in Reinforcement Learning and Mechanical Design
Title（参考訳）: 強化学習と機械設計に先立つロバスト・イン・ハンド操作
Abstract要約: 指介在物との接触の不確実性や重力による乱れなどにより,外部感知のない手動操作は困難である。強靭な手動圧延に先立つ2つの相補的な物理法則を導入する。その結果, 回転効率, グリップ安定性, および外乱拒絶が有意に向上した。
参考スコア（独自算出の注目度）: 4.975198309365314
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In-hand manipulation without external sensing is challenging due to uncertainties from finger-object contacts and disturbances by gravity. While reinforcement learning has shown promise in learning complex finger gaiting, existing approaches do not prioritize maintaining well-conditioned grasps for sustained manipulation. We introduce two complementary physics priors for robust in-hand rolling: a global grasp-quality prior derived from classical grasp analysis and a local contact-geometry prior based on fingertip curvature. The grasp-quality prior is used as a dense reward-shaping term that encourages well-distributed contacts with improved worst-case wrench resistance. The contact-geometry prior is expressed in the fingertip geometry that mechanically shapes the contact interface toward task-aligned rolling while reducing off-axis drift. We evaluate the effect of these priors on learning in-hand rolling manipulation for a multifingered robotic hand manipulating three different objects at four palm orientations. Results show significant improvement in rotation efficiency, grasp stability, and disturbance rejection, suggesting that physics priors embedded in both learning and fingertip morphology improve task robustness and sim-to-real transfer. An overview video can be found at https://youtu.be/pdd1wHxQnJM?si=dM-U5kiiPTYsk3Pk.
Abstract（参考訳）: 指介在物との接触の不確実性や重力による乱れなどにより,外部感知のない手動操作は困難である。強化学習は複雑な指の出入りを学習する上で有望であるが、既存のアプローチでは、持続的な操作のために十分な条件の把握を優先していない。そこで本研究では,従来のグリップ解析から得られた大域的グリップ品質と,指先曲率に基づく局所接触幾何という,頑健なインハンドローリングのための2つの相補的な物理手法を提案する。グリップクオリティの先行は、高密度の報酬形成用語として使用され、分散した接触を奨励し、最悪のレンチ抵抗を改善した。先行した接触形状は、オフ軸ドリフトを低減しつつ、接触界面をタスク整列圧延に向けて機械的に整形する指先形状で表される。 3つの異なる物体を4つの手のひら方向で操作する多指ロボットハンドのハンドローリング操作学習におけるこれらの先行要素の効果を評価した。その結果, 回転効率, グリップ安定性, および外乱の拒絶が有意に向上し, 学習と指先形態の両方に埋め込まれた物理が, タスクの頑健性やシム・トゥ・リアルな移動を改善することが示唆された。概要ビデオはhttps://youtu.be/pdd1wHxQnJM? si=dM-U5kiiPTYsk3Pk。

関連論文リスト

AdaDexGrasp: Adaptive Dexterous Grasping via 3D Visuo-Tactile Representation Fusion [60.79507611737292]
人間は視覚知覚と触覚フィードバックをシームレスに統合することで、安定的で適応的な把握を実現する。既存のロボットグルーピングアプローチは、視覚入力と接触後の触覚誘導適応機構の欠如に依存している。本稿では, 把握生成, 実現可能性予測, 適応的改善を統合した統合型ビジュオタクティル・フュージョン・グリーティング・フレームワークを提案する。
論文参考訳（メタデータ） (2026-08-06T16:29:11Z)
SECOND-Grasp: Semantic Contact-guided Dexterous Grasping [60.1519218638742]
Second-Grasp (Semantic Contact-guided Dexterous Grasping) は、ロボットハンドが意味論的推論に基づいて把握戦略を調整できる統合されたフレームワークである。我々のアプローチは、目に見えるカテゴリーと目に見えないカテゴリの両方で成功率を上げるために、一貫してベースラインを上回ります。
論文参考訳（メタデータ） (2026-05-13T07:37:00Z)
TEGA: A Tactile-Enhanced Grasping Assistant for Assistive Robotics via Sensor Fusion and Closed-Loop Haptic Feedback [1.3861223044153617]
触覚強化把握アシスタント(TEGA)について紹介する。クローズドループアシスト遠隔操作フレームワークは、リアルタイムなビブロタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタクタウェアラブルの触覚ベストは、リアルタイムの触覚フィードバックを提供する。
論文参考訳（メタデータ） (2026-03-05T04:12:55Z)
Rigidity-Based Multi-Finger Coordination for Precise In-Hand Manipulation of Force-Sensitive Objects [5.313029497667778]
マルチフィンガーハンドは指先接触のみに依存しており、プルフォースを適用できない。力覚的物体の高精度な操作を可能にする多指協調のための二重層フレームワークを提案する。我々は、このフレームワークをカスタムなデクスタラスな手で検証し、脆弱なオブジェクトを操作できることを実証した。
論文参考訳（メタデータ） (2026-02-15T11:40:39Z)
TaSA: Two-Phased Deep Predictive Learning of Tactile Sensory Attenuation for Improving In-Grasp Manipulation [45.60949380395733]
人間は、物体と複数の指の同時接触を伴う、物体のピンチや道具の使用など、さまざまな手動操作を行うことができる。なぜなら、このような巧妙な操作は、自己接触によって生じる触覚と、外部との接触から生じる感覚を区別する必要があるからだ。本稿では,2段階の深層予測学習フレームワークであるTaSAを紹介する。第1フェーズでは,ロボット自身の動作が触覚フィードバックをいかに生成するかをモデル化して,自己触覚のダイナミクスを明示的に学習する。第2フェーズでは、この学習モデルを運動学習フェーズに組み込んで対象を強調する。
論文参考訳（メタデータ） (2026-02-05T09:16:06Z)
ForceGrip: Reference-Free Curriculum Learning for Realistic Grip Force Control in VR Hand Manipulation [0.10995326465245926]
本稿では,現実的な手操作動作を合成する深層学習エージェントであるForceGripを紹介する。我々は、指の位置決め、意図適応、動的安定化を含む3段階のカリキュラム学習フレームワークを採用する。以上の結果から,ForceGripの出力制御性と信頼性は最先端の手法に比べて優れていた。
論文参考訳（メタデータ） (2025-03-11T05:39:07Z)
DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via Physics Simulation [81.11585774044848]
我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
論文参考訳（メタデータ） (2023-10-11T05:34:36Z)
Deformer: Dynamic Fusion Transformer for Robust Hand Pose Estimation [59.3035531612715]
既存の方法では、手のこもりが強かったり、ぼやけたりすると、手のポーズが難しい場合が多い。ビデオでは、手の動きによって、片方のフレームに隠されたり、ぼやけたりして、手のさまざまな部分を観察することができる。画像内の手の部分間の関係を暗黙的に推論するフレームワークであるDeformerを提案する。
論文参考訳（メタデータ） (2023-03-09T02:24:30Z)
On the Feasibility of Learning Finger-gaiting In-hand Manipulation with Intrinsic Sensing [0.7373617024876725]
モデルフリー強化学習を用いて, 指先を正確に把握することで, 指先の動きを学習する。精度把握の本質的な不安定性に対処するために,初期状態分布の利用を提案する。本手法は, 最先端技術よりも, サンプルの複雑さを大幅に改善して, 指球運動を学習することができる。
論文参考訳（メタデータ） (2021-09-26T23:22:29Z)
Physics-Based Dexterous Manipulations with Estimated Hand Poses and Residual Reinforcement Learning [52.37106940303246]
ノイズの多い入力ポーズをターゲットの仮想ポーズにマッピングするモデルを学習する。モデルフリーハイブリッドRL+ILアプローチを用いて残留条件下で訓練する。筆者らは,VRにおける手動物体の相互作用と,それを用いた手動物体の動作再構成という,手動姿勢推定を用いた2つのアプリケーションで,我々のフレームワークを検証した。
論文参考訳（メタデータ） (2020-08-07T17:34:28Z)
The Feeling of Success: Does Touch Sensing Help Predict Grasp Outcomes? [57.366931129764815]
両指にGelSight高解像度触覚センサを装着した2本指グリップを用いて,9000以上の握力試験を行った。実験結果から,触覚を取り入れることで把握性能が著しく向上することが示唆された。
論文参考訳（メタデータ） (2017-10-16T05:32:38Z)

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。