論文の概要: VIDP: Variable Impedance Diffusion Policy for Compliant Robot Manipulation from Diverse Demonstrations
- arxiv url: http://arxiv.org/abs/2608.06210v1
- Date: Thu, 06 Aug 2026 16:03:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-07 17:43:06.787724
- Title: VIDP: Variable Impedance Diffusion Policy for Compliant Robot Manipulation from Diverse Demonstrations
- Title（参考訳）: VIDP: 可変インピーダンス拡散ポリシ
- Authors: Hisham Khalil, Neil Fernandes, Thomas M. Kwok, Hsiu-Chin Lin, Yue Hu,
- Abstract要約: 本稿では, 可変インピーダンス拡散政策(PVID)について紹介する。
剛性プロファイルにマッピングすることで、VIDPは力センサを使わずに、ポーズアクションとタスクコンプライアンスを共同で予測する。
実世界の実験では、VIDPはタスク成功率の固定インピーダンスベースラインを著しく上回っている。
- 参考スコア（独自算出の注目度）: 8.606058461805732
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Contact-rich manipulation requires precise tracking and mechanical compliance, where variable impedance control can improve robustness in task success, whereas static compliance cannot adapt to varying contact constraints. Variable impedance skills can be learned from demonstrations, avoiding complex modeling, but compliance is a hidden variable in force-agnostic kinematic data. While existing methods infer compliance from trajectory variations, these variations may reflect geometric adaptation and not intentional compliance when subject to changing spatial layouts. Therefore, this letter introduces Variable Impedance Diffusion Policy (VIDP), an imitation learning-based variable impedance control framework leveraging a Task-Parameterized Directionality-Aware Mixture Model (TP-DAMM) to extract physically consistent trajectory distributions from diverse demonstrations. By mapping distributions to stiffness profiles, VIDP jointly predicts pose actions and task compliance without force sensors. Real-world experiments show that VIDP significantly outperforms fixed-impedance baselines in task success rate while reducing interaction forces with respect to high stiffness controllers and tracking errors with respect to low stiffness baselines.
- Abstract（参考訳）: コンタクトリッチな操作には正確なトラッキングと機械的コンプライアンスが必要であり、可変インピーダンス制御はタスク成功の堅牢性を改善するが、静的なコンプライアンスは様々な接触制約に適応できない。
可変インピーダンスのスキルは、複雑なモデリングを避けるためにデモから学ぶことができるが、コンプライアンスは力に依存しないキネマティックデータに隠された変数である。
既存の手法は軌道の変動からコンプライアンスを推測するが、これらの変化は幾何学的適応を反映し、空間配置の変化に従わない。
そこで本論文では,タスクパラメータ化指向性認識混合モデル(TP-DAMM)を利用して,多種多様な実演から物理的に一貫した軌道分布を抽出する,模擬学習に基づく可変インピーダンス制御フレームワークである可変インピーダンス拡散ポリシー(VIDP)を紹介する。
分布を剛性プロファイルにマッピングすることにより、VIDPは力センサを使わずに、ポーズアクションとタスクコンプライアンスを共同で予測する。
実世界の実験では、VIDPはタスク成功率の固定インピーダンスベースラインを著しく上回り、高剛性コントローラに対する相互作用力を低減し、低剛性ベースラインに対する誤差を追跡する。
関連論文リスト
- Context-Aware Force Estimation for Deformable Tool Manipulation in Robotic Environmental Swabbing via Few-Shot Continual Adaptation [10.23547821843138]
変形可能な工具力学は、真の接触力から手首に取り付けられた力の測定を分離する非線形粘弾性を導入する。
本稿では,変形可能なツール操作における接触力推定のためのデータ駆動型フレームワークを提案する。
論文 参考訳（メタデータ） (2026-07-08T16:01:23Z) - From Noise to Control: Parameterized Diffusion Policies [54.941343992110426]
本研究では,学習行動多様体に埋め込まれた連続パラメータに条件付き拡散ポリシーを学習するためのフレームワークを提案する。
政策重みを更新することなく、既知の戦略間の円滑な距離と、新しい制約への効率的な適応を可能にする。
論文 参考訳（メタデータ） (2026-05-29T20:21:50Z) - MoASE++: Mixture of Activation Sparsity Experts with Domain-Adaptive On-policy Distillation for Continual Test Time Adaptation [65.068801413044]
連続的なテスト時間適応は、非定常な未ラベルのターゲットストリームにソース予測モデルを適用する。
ドメインに依存しない構造をドメイン固有のテクスチャから切り離す。
論文 参考訳（メタデータ） (2026-05-18T01:52:12Z) - Mitigating Error Amplification in Fast Adversarial Training [58.74042726356826]
FAT(Fast Adversarial Training)は、ネットワークに摂動不変表現の学習を促すことによって、モデルロバスト性の向上に有効であることが証明されている。
FATは、しばしば破滅的なオーバーフィッティング(CO)に悩まされ、モデルがトレーニングアタックに過度に適合し、目に見えないものへの一般化に失敗する。
本稿では、摂動予算と監視信号の両方を動的に調整する分散対応動的ガイダンス(DDG)戦略を提案する。
論文 参考訳（メタデータ） (2026-04-27T11:23:18Z) - Compatibility-Aware Dynamic Fine-Tuning for Large Language Models [48.855385240803436]
Supervised Fine-Tuning (SFT) は、大規模言語モデル (LLM) の調整における主要なパラダイムである。
最近の研究は、この問題を病理学的勾配のスケーリングに起因し、トークンレベルでの修正のために動的微調整(DFT)を提案する。
本稿では、サンプルレベルの最適化分散を制御するDFTの原理的拡張であるCompatibility-Aware Dynamic Fine-Tuning(CADFT)を紹介する。
論文 参考訳（メタデータ） (2026-04-22T14:47:30Z) - Adaptive Manipulation Potential and Haptic Estimation for Tool-Mediated Interaction [14.888648782445694]
本稿では,ツール間相互作用の統一表現として,パラメータ化された平衡マニフォールド(EM)を提案する。
我々は,ハプティック推定,オンライン計画,適応剛性制御を統合したクローズドループフレームワークを開発した。
このフレームワークはシミュレーションと260以上の現実世界のスクリューロージング試験によって検証されている。
論文 参考訳（メタデータ） (2026-03-11T02:57:55Z) - AMPS: Adaptive Modality Preference Steering via Functional Entropy [66.69992693275061]
本稿では,各モータリティの情報提供量を定量化し,ステアリングに対するサンプル固有の感受性を明らかにするインスタンス認識診断指標を提案する。
実験結果から, インスタンス認識のステアリングは, 従来のステアリングよりもモダリティの嗜好の調整に優れていたことが示唆された。
論文 参考訳（メタデータ） (2026-02-13T02:29:06Z) - Adaptive Linear Path Model-Based Diffusion [52.84663832658799]
リニアパスモデルベース拡散(LP-MBD)を導入し、分散保存スケジュールをフローマッチング線形確率パスに置き換える。
また,適応型LP-MBD(ALP-MBD)を提案し,タスクの複雑さや環境条件に応じて拡散ステップやノイズレベルを調整する。
論文 参考訳（メタデータ） (2026-02-02T21:33:03Z) - Learning Variable Impedance Skills from Demonstrations with Passivity Guarantee [13.498124592226734]
本稿では,力覚と運動情報を統合し,可変インピーダンス制御を実現するための学習支援フレームワークを提案する。
タンクを用いた可変インピーダンス制御手法を提案する。
論文 参考訳（メタデータ） (2023-06-20T06:05:04Z) - Learning Variable Impedance Control for Aerial Sliding on Uneven
Heterogeneous Surfaces by Proprioceptive and Tactile Sensing [42.27572349747162]
本研究では,空中すべり作業に対する学習に基づく適応制御手法を提案する。
提案するコントローラ構造は,データ駆動制御とモデルベース制御を組み合わせたものである。
美術品間相互作用制御手法の微調整状態と比較して,追従誤差の低減と外乱拒否の改善を実現した。
論文 参考訳（メタデータ） (2022-06-28T16:28:59Z)
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。