論文の概要: Force/Torque-Based Kinematic Adaptation for Robotic Manipulation Tasks
- arxiv url: http://arxiv.org/abs/2608.21592v1
- Date: Fri, 21 Aug 2026 19:51:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 13:29:43.297572
- Title: Force/Torque-Based Kinematic Adaptation for Robotic Manipulation Tasks
- Title（参考訳）: 力/トルクに基づくロボットマニピュレーションタスクの運動適応
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Contact-rich robotic manipulation requires an accurate model of the kinematic relationship between a robot's joints and the task features it senses. This relationship is rarely known exactly: it changes with each tool the robot picks up and shifts, sometimes almost instantaneously, as contact modes change --- especially for multi-fingered hands that make and break contact at points that are not exactly prescribed, as in full-hand grasping. This paper develops an adaptive scheme that estimates that relationship online, using only joint-angle sensing and a wrist-mounted force/torque sensor, with no exteroceptive measurement of the tool tip. We derive a provably stable kinematic update law that identifies the kinematics of an unknown tool from force/torque feedback alone, and prove stability of both the rigid case and the case with a compliance controller as an inner loop. We show that identification is confined to the directions the motion excites --- so that, for example, a tool's length is unobservable under a rigid insertion push, while a compliant loop's passive yielding partially excites it; and that with a second-order admittance the compliant certificate holds unconditionally in continuous time. We also pose the combined control and estimation problem as a Quadratic Program (QP): the formulation yields the prediction term of the update law exactly but, instructively, cannot reproduce the tracking adaptation term. We validate the scheme in simulation on a peg-in-hole insertion. This work is the first step in a research program aimed at factoring manipulation learning into a task policy which can be learned in isolation of the robot, for instance by reinforcement learning, and an adaptive kinematic component that adapts online to the particular robot, hand, or tool in use.
- Abstract（参考訳）: 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特徴との間の運動的関係の正確なモデルを必要とする。
この関係は正確には分かっていない:ロボットが拾い上げた各ツールで変化し、接触モードが変わると、ほぼ瞬時に変化する。
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,ツール先端の外部的測定を行わず,オンラインでその関係を推定する適応型手法を開発した。
我々は、未知のツールの運動を力/トルクフィードバックだけで識別し、厳密なケースとコンプライアンスコントローラを内ループとするケースの両方の安定性を証明し、確実に安定なキネマティック更新法を導出する。
例えば、ツールの長さが厳密な挿入プッシュで観測できないのに対して、準拠ループの受動的収差が部分的に励起されるのに対して、準拠証明書が無条件に連続的に保持されるように、動作が興奮する方向に識別が制限されていることを示す。
定式化は更新法の予測項を正確に生成するが、命令的に追跡適応項を再現することはできない。
孔内挿入のシミュレーションにおいて,本手法の有効性を検証した。
この研究は、例えば強化学習によってロボットを分離して学習できるタスクポリシーと、特定のロボット、手、道具にオンラインで適応する適応運動成分に操作学習を分解することを目的とした研究プログラムの第一歩である。
関連論文リスト
- CosmoH2G: A Hand-to-Gripper Transfer Dataset and Baseline Method for Object Manipulation with Complex Spatial Movements [63.40365657068892]
ロボットグリップに人手によるデモンストレーションを移すことは、最近、ロボット学習の費用対効果の高いソリューションとして浮上した。
このギャップに触発された我々は、きめ細かい手の動きによって導かれる暗黙的なデータ駆動アプローチを採用した。
シミュレーションと実ロボット実験の両方において、我々のフレームワークは複雑な空間操作の安定かつ高精度なハンド・トゥ・グルーパー転送を可能にする。
論文 参考訳（メタデータ） (2026-09-07T13:47:22Z) - Predicting Grasping Compliance in Robotic Hands through Analytical-Model-Informed Neural Networks [1.1385238217425486]
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。
論文 参考訳（メタデータ） (2026-07-20T04:35:01Z) - Closing the Reality Gap: Zero-Shot Sim-to-Real Deployment for Dexterous Force-Based Grasping and Manipulation [17.63466252699545]
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。
論文 参考訳（メタデータ） (2026-07-06T11:15:36Z) - Real-Time Compliance and Position Control of a Hyper-redundant Soft Robotic Arm [1.856390765856703]
本稿では,その制御問題を中心に設計されたロボットアーキテクチャを提案する。
硬い関節の背骨は、腕の先端のコンプライアンスと位置を予測可能である。
腕は硬い腕と柔らかい腕の両方で難しい作業を示す。
論文 参考訳（メタデータ） (2026-06-29T03:12:57Z) - Continuum Robot State Estimation with Actuation Uncertainty [10.610593520475357]
本研究では,連続ロボットの原理的リアルタイム推定手法を提案する。
本手法は比較的少ない状態ノードで高い数値精度を実現する。
全体として,本手法は複数の連続ロボットアーキテクチャをまたいだ原理的,リアルタイムな推定を可能にする。
論文 参考訳（メタデータ） (2026-01-08T01:53:42Z) - 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) - CHIP: Adaptive Compliance for Humanoid Control through Hindsight Perturbation [70.5382178207975]
hIsight Perturbation (CHIP)は、制御可能なエンドエフェクタ剛性を実現するプラグイン・アンド・プレイモジュールである。
CHIPの実装は簡単で、データ拡張も追加の報酬チューニングも必要ありません。
そこで本研究では,CHIPでトレーニングした汎用モーショントラッキングコントローラが,多種多様な操作タスクを実行できることを示す。
論文 参考訳（メタデータ） (2025-12-16T18:56:04Z) - Spatial-Temporal Graph Diffusion Policy with Kinematic Modeling for Bimanual Robotic Manipulation [88.83749146867665]
既存のアプローチは、遠く離れた次のベストなエンドエフェクタのポーズを予測するポリシーを学びます。
すると、運動に対する対応する関節回転角を逆運動学を用いて計算する。
本稿では,Kinematics 拡張空間テンポアル gRaph diffuser を提案する。
論文 参考訳（メタデータ） (2025-03-13T17:48:35Z) - Domain Adaptive Robotic Gesture Recognition with Unsupervised
Kinematic-Visual Data Alignment [60.31418655784291]
本稿では,マルチモダリティ知識,すなわちキネマティックデータとビジュアルデータを同時にシミュレータから実ロボットに伝達できる,教師なしドメイン適応フレームワークを提案する。
ビデオの時間的手がかりと、ジェスチャー認識に対するマルチモーダル固有の相関を用いて、トランスファー可能な機能を強化したドメインギャップを修復する。
その結果, 本手法は, ACCでは最大12.91%, F1scoreでは20.16%と, 実際のロボットではアノテーションを使わずに性能を回復する。
論文 参考訳（メタデータ） (2021-03-06T09:10:03Z) - Online Body Schema Adaptation through Cost-Sensitive Active Learning [63.84207660737483]
この作業は、icubロボットシミュレータの7dofアームを使用して、シミュレーション環境で実行された。
コストに敏感な能動学習手法は最適な関節構成を選択するために用いられる。
その結果,コスト依存型能動学習は標準的な能動学習手法と同等の精度を示し,実行運動の約半分を減らした。
論文 参考訳（メタデータ） (2021-01-26T16:01:02Z) - 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) - Thinking While Moving: Deep Reinforcement Learning with Concurrent
Control [122.49572467292293]
本研究では,制御システムの時間的進化とともに,ポリシーからのアクションのサンプリングを同時に行わなければならないような環境下での強化学習について検討する。
人や動物のように、ロボットは思考と移動を同時に行わなければならず、前の動作が完了する前に次の動作を決定する。
論文 参考訳（メタデータ） (2020-04-13T17:49:29Z)
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。