論文の概要: Predicting Grasping Compliance in Robotic Hands through Analytical-Model-Informed Neural Networks
- arxiv url: http://arxiv.org/abs/2607.17541v1
- Date: Mon, 20 Jul 2026 04:35:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.499084
- Title: Predicting Grasping Compliance in Robotic Hands through Analytical-Model-Informed Neural Networks
- Title（参考訳）: 解析モデルを用いたニューラルネットワークによるロボットハンドのグラスピングコンプライアンス予測
- Abstract要約: 我々は、力強い相互作用の際の把握されたツール行動を予測するための分析モデル情報ニューラルネットワーク(AMINN)を導入する。
AMINNは分析力学層とデータ駆動学習を組み合わせることで、把握安定性と外部負荷時の手工具変位を推定する。
- 参考スコア（独自算出の注目度）: 1.1385238217425486
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In robotic manipulation studies, grasping is often treated as a binary success or failure problem, usually defined by whether the object simply stays in the hand. For forceful tool use, however, this view is insufficient because grasp compliance becomes a critical factor governing how the hand and tool behave under load. Compliance arises from coupled kinematics, grasp configuration, passive mechanics, and contact conditions, producing nonlinear behavior in which deformation and interaction forces influence each other. Understanding this relationship is essential for predictive models of how a grasped tool and a compliant hand jointly respond to external loading. In underactuated hands, these effects are amplified: such designs offer low cost and adaptive grasping, but make compliance behavior more difficult to model and predict. Our goal is therefore to develop a predictive model for grasped tool behavior during forceful interactions. To address this challenge, we introduce an analytical model informed neural network (AMINN), a hybrid predictive model that combines an analytical mechanics layer with data driven learning to estimate grasp stability and in hand tool displacement under external loading. The model is evaluated on a three finger underactuated robotic hand and shows strong predictive capability with mechanically meaningful outputs across diverse loading conditions. Compared with a black box multilayer perceptron baseline, AMINN also achieves better energy based physical consistency. Beyond prediction accuracy alone, this framework advances physically interpretable learning for robotic manipulation and supports more reliable, safer, and more trustworthy autonomous tool use in safety critical settings during forceful interaction.
- Abstract（参考訳）: ロボット操作研究において、つかみは二進的な成功や失敗の問題として扱われることが多く、通常は物体が単に手に留まっているかどうかによって定義される。
しかし, 力強いツール使用においては, コンプライアンスの把握が, 負荷下での手や道具の動作を規定する重要な要因となるため, この考え方は不十分である。
適合性は、結合キネマティクス、把握構成、受動力学、接触条件から生じ、変形と相互作用の力が互いに影響を及ぼす非線形挙動を生み出す。
この関係を理解することは、把握されたツールと適合したハンドが外部の負荷にどう協調して反応するかの予測モデルに不可欠である。
これらの設計は低コストで適応的な把握を提供するが、コンプライアンスの振る舞いをモデル化し予測することがより困難になる。
そこで本研究の目的は,力強い相互作用における把握ツール行動の予測モデルを開発することである。
この課題に対処するために、分析力学層とデータ駆動学習を組み合わせたハイブリッド予測モデルであるAMINNを導入し、把握安定性と外部負荷時の手工具変位を推定する。
モデルは3本の指で動作しないロボットハンドで評価され、様々な負荷条件で機械的に意味のある出力で強い予測能力を示す。
ブラックボックスの多層パーセプトロンベースラインと比較すると、AMINNはエネルギーベースの物理的整合性も向上する。
予測精度だけでなく、このフレームワークは、ロボット操作のための物理的に解釈可能な学習を前進させ、力強い相互作用の間、安全なクリティカルセッティングにおいて、より信頼性が高く、より安全で、信頼性の高い自律ツールの使用をサポートする。
関連論文リスト
- Force/Torque-Based Kinematic Adaptation for Robotic Manipulation Tasks [0.0]
接触に富んだロボット操作は、ロボットの関節とそれが知覚するタスクの間の運動的関係の正確なモデルを必要とする。
本稿では,関節角度センサと手首に装着した力/トルクセンサのみを用いて,その関係をオンラインに推定する適応型手法を開発した。
論文 参考訳（メタデータ） (2026-08-21T19:51:53Z) - Physics-Aware Sparse Learning and Selective Online Adaptation for Euler-Lagrange Robot Dynamics [3.247008128557575]
学習に基づくほとんどの補正手法は, 1つの加算残差を導入することにより, 予測精度を向上させる。
本稿では,モデルミスマッチを慣性補正,対応するコリオリ項,一般化力残差に分解する構造保存残差学習フレームワークを提案する。
移動・航空・マニピュレータシステムを含む複数のロボットプラットフォームを対象とした実験により, 提案手法は, 結合および時間変化の動的条件下での動的予測と軌道追跡を改善することを示した。
論文 参考訳（メタデータ） (2026-06-08T15:36:00Z) - PHANTOM Hand [12.871356369910323]
腱駆動不動手は適応的握力では優れるが、運動的不予測性や非作動力伝達に悩まされることが多い。
PHANTOM Hand (Hybrid Precision-Augmented Compliance) は6つのアクチュエータと15自由度(DoF)を備えたモジュラー・ヒューマンスケールシステムである。
本稿では,正確な解析的形状と頑健な整合性把握のギャップを埋める統一的な枠組みを提案する。
論文 参考訳（メタデータ） (2026-03-24T12:52:18Z) - STRIDE: Structured Lagrangian and Stochastic Residual Dynamics via Flow Matching [2.5845893156827158]
本研究では、保守的な剛体力学を不確実かつ効果的に非保守的な相互作用効果から分離する動的学習フレームワークSTRIDEを提案する。
本研究は,ペンデュラム,Unitree Go1ruped,Unitree G1 humanoidなど複雑度の高いシステム上でのSTRIDEの評価である。
その結果, 長軸予測誤差が20%減少し, 接触力予測誤差が30%減少した。
論文 参考訳（メタデータ） (2026-03-09T15:15:21Z) - InternVLA-A1: Unifying Understanding, Generation and Action for Robotic Manipulation [77.07565723756119]
InternVLA-A1は動的予測機能を備えた視覚言語モデルである。
我々は、実世界のロボットデータ、合成シミュレーションデータ、人間のビデオなどを用いて、これらのモデルを異種データソース上で事前訓練する。
InternVLA-A1を実世界の12のロボットタスクとシミュレーションベンチマークで評価した。
論文 参考訳（メタデータ） (2026-01-05T18:54:29Z) - From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。
メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
論文 参考訳（メタデータ） (2025-09-25T14:15:43Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳（メタデータ） (2022-06-07T13:51:35Z) - End-to-End Learning of Hybrid Inverse Dynamics Models for Precise and
Compliant Impedance Control [16.88250694156719]
剛体力学モデルの物理的に一貫した慣性パラメータを同定できる新しいハイブリッドモデルの定式化を提案する。
7自由度マニピュレータ上での最先端の逆動力学モデルに対する我々のアプローチを比較した。
論文 参考訳（メタデータ） (2022-05-27T07:39:28Z) - Physics-Integrated Variational Autoencoders for Robust and Interpretable
Generative Modeling [86.9726984929758]
我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。
本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。
合成および実世界のデータセットの集合に対して生成的性能改善を示す。
論文 参考訳（メタデータ） (2021-02-25T20:28:52Z) - Non-Singular Adversarial Robustness of Neural Networks [58.731070632586594]
小さな入力摂動に対する過敏性のため、アドリヤルロバスト性はニューラルネットワークにとって新たな課題となっている。
我々は,データ入力とモデル重みの共振レンズを用いて,ニューラルネットワークの非特異な対角性の概念を定式化する。
論文 参考訳（メタデータ） (2021-02-23T20:59:30Z) - Learning Compliance Adaptation in Contact-Rich Manipulation [81.40695846555955]
本稿では,コンタクトリッチタスクに必要な力プロファイルの予測モデルを学習するための新しいアプローチを提案する。
このアプローチは、双方向Gated Recurrent Units (Bi-GRU) に基づく異常検出と適応力/インピーダンス制御を組み合わせたものである。
論文 参考訳（メタデータ） (2020-05-01T05:23:34Z)
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。